4 回答

6

目前，Tensorflow或Keras中没有直接内置支持将冻结模型或检查点文件转换为hdf5格式 .

但是既然你已经提到过你拥有Tensorflow模型的代码，你就必须在Keras中重写该模型的代码 . 然后，您必须从检查点文件中读取变量的值，并使用 layer.load_weights(weights) 方法将其分配给Keras模型 .

除了这种方法，我建议你直接在Keras进行培训，因为它声称Keras' optimizers are 5-10% times faster than Tensorflow's optimizers . 其他方法是使用tf.contrib.keras模块在Tensorflow中编写代码，并以hdf5格式直接保存文件 .

回复于 2024-04-20T19:41:28+08:00

我认为keras的回调也是一种解决方案 .

TF可以保存ckpt文件：

saver = tf.train.Saver()
saver.save(sess, checkpoint_name)

要在Keras加载检查点，您需要一个回调类，如下所示：

class RestoreCkptCallback(keras.callbacks.Callback):
    def __init__(self, pretrained_file):
        self.pretrained_file = pretrained_file
        self.sess = keras.backend.get_session()
        self.saver = tf.train.Saver()
    def on_train_begin(self, logs=None):
        if self.pretrian_model_path:
            self.saver.restore(self.sess, self.pretrian_model_path)
            print('load weights: OK.')

然后在你的keras脚本中：

model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
 restore_ckpt_callback = RestoreCkptCallback(pretrian_model_path='./XXXX.ckpt') 
 model.fit(x_train, y_train, batch_size=128, epochs=20, callbacks=[restore_ckpt_callback])

那没关系 . 我认为它很容易实现并希望它有所帮助 .

回复于 2024-04-20T19:41:28+08:00

7

不确定这是否是您正在寻找的，但我碰巧只是对TF 1.2中新发布的keras支持做同样的事情 . 您可以在此处找到有关API的更多信息：https://www.tensorflow.org/api_docs/python/tf/contrib/keras

为了节省您一点时间，我还发现我必须包含如下所示的keras模块，并在API文档中显示附加的附加python.keras .

来自tensorflow.contrib.keras.python.keras.models import Sequential

希望有助于您到达目的地 . 基本上一旦集成，您就可以像往常一样处理模型/重量输出 .

回复于 2024-04-20T19:41:28+08:00

keras的创建者Francois Chollet在04/2017 "you cannot turn an arbitrary TensorFlow checkpoint into a Keras model. What you can do, however, is build an equivalent Keras model then load into this Keras model the weights"中说，见https://github.com/keras-team/keras/issues/5273 . 据我所知，这并没有改变 .

一个小例子：

首先，您可以像这样提取张量流检查点的权重

PATH_REL_META = r'checkpoint1.meta'

# start tensorflow session
with tf.Session() as sess:

    # import graph
    saver = tf.train.import_meta_graph(PATH_REL_META)

    # load weights for graph
    saver.restore(sess, PATH_REL_META[:-5])

    # get all global variables (including model variables)
    vars_global = tf.global_variables()

    # get their name and value and put them into dictionary
    sess.as_default()
    model_vars = {}
    for var in vars_global:
        try:
            model_vars[var.name] = var.eval()
        except:
            print("For var={}, an exception occurred".format(var.name))

导出张量流模型以用于张量板也可能有用，参见https://stackoverflow.com/a/43569991/2135504

其次，您通常会构建keras模型，并通过“model.compile”完成它 . 请注意，您需要按名称定义每个图层，然后将其添加到模型中，例如

layer_1 = keras.layers.Conv2D(6, (7,7), activation='relu', input_shape=(48,48,1))
net.add(layer_1)
...
net.compile(...)

第三，您可以使用tensorflow值设置权重，例如

layer_1.set_weights([model_vars['conv7x7x1_1/kernel:0'], model_vars['conv7x7x1_1/bias:0']])

回复于 2024-04-20T19:41:28+08:00

如何将经过训练的Tensorflow模型转换为Keras？

4 回答

一个小例子：

相关问题