我正试图在Tensorflow工作流程中冻结Keras图层 . 这是我定义图表的方式:
import tensorflow as tf
from keras.layers import Dropout, Dense, Embedding, Flatten
from keras import backend as K
from keras.objectives import binary_crossentropy
import tensorflow as tf
sess = tf.Session()
from keras import backend as K
K.set_session(sess)
labels = tf.placeholder(tf.float32, shape=(None, 1))
user_id_input = tf.placeholder(tf.float32, shape=(None, 1))
item_id_input = tf.placeholder(tf.float32, shape=(None, 1))
max_user_id = all_ratings['user_id'].max()
max_item_id = all_ratings['item_id'].max()
embedding_size = 30
user_embedding = Embedding(output_dim=embedding_size, input_dim=max_user_id+1,
input_length=1, name='user_embedding', trainable=all_trainable)(user_id_input)
item_embedding = Embedding(output_dim=embedding_size, input_dim=max_item_id+1,
input_length=1, name='item_embedding', trainable=all_trainable)(item_id_input)
user_vecs = Flatten()(user_embedding)
item_vecs = Flatten()(item_embedding)
input_vecs = concatenate([user_vecs, item_vecs])
x = Dense(30, activation='relu')(input_vecs)
x1 = Dropout(0.5)(x)
x2 = Dense(30, activation='relu')(x1)
y = Dense(1, activation='sigmoid')(x2)
loss = tf.reduce_mean(binary_crossentropy(labels, y))
train_step = tf.train.AdamOptimizer(0.004).minimize(loss)
然后我只训练模型:
with sess.as_default():
train_step.run(..)
当可训练旗帜设置为 True
时,一切正常 . 然后,当我将其设置为 False
时,它不会冻结图层 .
我还试图通过使用 train_step_freeze = tf.train.AdamOptimizer(0.004).minimize(loss, var_list=[user_embedding])
来最小化我想要训练的变量,并得到:
('Trying to optimize unsupported type ', <tf.Tensor 'Placeholder_33:0' shape=(?, 1) dtype=float32>)
是否可以在Tensorflow中使用Keras图层并冻结它们?
EDIT
为了清楚起见,我想使用Tensorflow训练模型,而不是使用 model.fit()
. 在Tensorflow中执行此操作的方法似乎是将 var_list=[]
传递给 minimize()
方法 . 但这样做时我收到错误:
('Trying to optimize unsupported type ', <tf.Tensor 'Placeholder_33:0' shape=(?, 1) dtype=float32>)
2 回答
我终于找到了办法 .
TensorFlow不是明确冻结Keras模型,而是为您提供指定要训练的变量的选项 .
在下面的示例中,我从Keras实例化一个预训练的VGG16模型,在该模型上定义几个层,并冻结此模型(即,仅训练Keras模型之后的层):
要使用此方法,您必须为每个图层实例化一个对象,因为这将允许您使用
layer_name.variables
显式访问该图层的变量 . 或者,您可以使用低级API并定义自己的tf.Variable
对象并使用它们创建图层 .您可以轻松验证上述方法是否有效:
这将打印
True
一百次,这意味着在运行训练操作时模型的权重不会改变 .如果在训练之前再次编译模型,Keras将只使图层真正无法处理 .
现在,我没有看到你在任何地方编译你的模型,你正在将Keras与TensorFlow命令混合使用 .
如果您希望Keras正常工作,则必须使用Keras命令 .
Creating a model in Keras:
除了定义输入图层之外,你做了正确的事情
y
. 在第一个嵌入层之前,您需要:然后在Keras中创建一个模型:
然后使用所需的优化器和损失编译模型(必须在此步骤之前使层无法处理,或者在更改该属性时再次编译):
对于培训,您还可以使用Keras命令进行培训: