恢复Tensorflow中新模型的一个子集变量？

Question

我正在做一个通过Tensorflow提升（4层DNN到5层DNN）的例子。我在TF中使用save session和restore，因为TF tute中有一个简短的段落： “例如，你可能已经训练了一个4层的神经网络，现在你想训练一个5层的新模型，将先前训练的模型的4层参数恢复到新模型的前4层中。”tensorflow tute在https://www.tensorflow.org/how_tos/variables/中给出了灵感。

然而，我发现没有人问过当检查点保存4层参数时如何使用“restore”，但我们需要将其放入5层，并发出一个红旗。

用真代码做这个，我做了

with tf.name_scope('fcl1'):
    hidden_1 = fully_connected_layer(inputs, train_data.inputs.shape[1], num_hidden)            
with tf.name_scope('fcl2'):
    hidden_2 = fully_connected_layer(hidden_1, num_hidden, num_hidden)                
with tf.name_scope('fclf'):
    hidden_final = fully_connected_layer(hidden_2, num_hidden, num_hidden)    
with tf.name_scope('outputl'):
    outputs = fully_connected_layer(hidden_final, num_hidden, train_data.num_classes, tf.identity)
    outputs = tf.nn.softmax(outputs)
with tf.name_scope('boosting'):
    boosts = fully_connected_layer(outputs, train_data.num_classes, train_data.num_classes, tf.identity)

其中，“fcl1”中的变量（或从“fcl1”调用的变量），以便我有“fcl1/Variable”和“fcl1/Variable U1”用于权重和偏移-“fcl2”、“fclf”和“outputl”由saver.save（）存储在脚本中，而不使用“boosting”层。但是，由于我们现在有了“boosting”层，saver.restore（sess，“saved_models/model_list.ckpt”）不能作为

NotFoundError: Key boosting/Variable_1 not found in checkpoint

我真的希望听到这个问题。谢谢您。 下面的代码是我遇到麻烦的代码的主要部分。

def fully_connected_layer(inputs, input_dim, output_dim, nonlinearity=tf.nn.relu):
    weights = tf.Variable(
        tf.truncated_normal(
            [input_dim, output_dim], stddev=2. / (input_dim + output_dim)**0.5), 
        'weights')
    biases = tf.Variable(tf.zeros([output_dim]), 'biases')
    outputs = nonlinearity(tf.matmul(inputs, weights) + biases)    

    return outputs

inputs = tf.placeholder(tf.float32, [None, train_data.inputs.shape[1]], 'inputs')
targets = tf.placeholder(tf.float32, [None, train_data.num_classes], 'targets')

with tf.name_scope('fcl1'):
    hidden_1 = fully_connected_layer(inputs, train_data.inputs.shape[1], num_hidden)            
with tf.name_scope('fcl2'):
    hidden_2 = fully_connected_layer(hidden_1, num_hidden, num_hidden)                
with tf.name_scope('fclf'):
    hidden_final = fully_connected_layer(hidden_2, num_hidden, num_hidden)    
with tf.name_scope('outputl'):
    outputs = fully_connected_layer(hidden_final, num_hidden, train_data.num_classes, tf.identity)

with tf.name_scope('error'):    
    error = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(outputs, targets))
with tf.name_scope('accuracy'):
    accuracy = tf.reduce_mean(tf.cast(
        tf.equal(tf.argmax(outputs, 1), tf.argmax(targets, 1)), 
        tf.float32))
with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer().minimize(error)

init = tf.global_variables_initializer()  
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(init)
    saver.restore(sess, "saved_models/model.ckpt")
    print("Model restored")

    print("Optimization Starts!")
    for e in range(training_epochs):
        ...

   #Save model - save session        
    save_path = saver.save(sess, "saved_models/model.ckpt")
    ### I once saved the variables using var_list, but didn't work as well...
    print("Model saved in file: %s" % save_path)

为了清楚起见，检查点文件有

fcl1/Variable:0

fcl1/Variable_1:0

fcl2/Variable:0

fcl2/Variable_1:0

fclf/Variable:0

fclf/Variable_1:0

outputl/Variable:0

outputl/Variable_1:0

因为原始的4层模型没有“boosting”层。

Answer 1

在这种情况下，从检查点读取用于提升的值看起来不对，我认为这不是您想要做的。显然，您得到的是错误，因为在恢复变量时，您首先捕获模型中所有变量的列表，然后在检查点中查找相应的变量，而检查点中没有这些变量。

通过定义模型变量的子集，只能还原模型的一部分。例如，可以使用tf.slim库来完成。获取模型中的变量列表：

variables = slim.get_variables_to_restore()

现在变量是一个张量列表，但是对于每个元素，您可以访问其name属性。使用此选项，可以指定只想还原除增强以外的层，例如：

variables_to_restore = [v for v in variables if v.name.split('/')[0]!='boosting'] 
model_path = 'your/model/path'

saver = tf.train.Saver(variables_to_restore)

with tf.Session() as sess:
    saver.restore(sess, model_path)

这样你就可以恢复你的4层了。理论上，您可以通过创建另一个服务器来尝试从检查点捕获某个变量的值，该服务器只会增加变量列表并重命名检查点中选择的变量，但我真的不认为这是您需要的。

由于这是模型的自定义层，并且您在任何地方都没有此变量，因此只需在工作流中初始化它，而不是尝试导入它。例如，可以在调用完全连接的函数时传递此参数：

weights_initializer = slim.variance_scaling_initializer()

不过，您需要自己检查详细信息，因为我不确定您的导入是什么，您在这里使用的是哪个函数。

一般来说，我建议您查看slim库，这将使您更容易为层定义模型和作用域（而不是通过使用定义它，您可以在调用函数时传递作用域参数）。如果是斯利姆的话，看起来会是这样的：

boost = slim.fully_connected(input, number_of_outputs, activation_fn=None, scope='boosting', weights_initializer=slim.variance_scaling_initializer())