首页 文章

在预先训练的XCeption-architecture中使用keras在Windows下指定卷积基数时出错

提问于
浏览 次
0

在尝试使用ImageNet预训练的XCeption架构中的卷积基础时，我是否有一些非常明显的事情？这是我的代码，在问题的最后产生错误：

require(keras)

conv_base1 <- application_xception(
weights = "imagenet",
include_top = FALSE,
pooling=FALSE,
input_shape = c(300, 300, 3)
)

model51 <- keras_model_sequential() %>%
conv_base1 %>%
layer_flatten() %>%
layer_dense(units = 256, activation = "relu") %>%
layer_dense(units = 1, activation = "sigmoid")

相比之下，使用application_vgg16的下面几乎相同的代码工作得很好：

require(keras)

conv_base2 <- application_vgg16(
weights = "imagenet",
include_top = FALSE,
pooling=FALSE,
input_shape = c(300, 300, 3)
)

model52 <- keras_model_sequential() %>%
conv_base2 %>%
layer_flatten() %>%
layer_dense(units = 2048, activation = "relu") %>%
layer_dense(units = 1, activation = "sigmoid")

我使用keras_2.1.5 R包在Windows 10 x86_64-w64-mingw32 / x64（64位）上使用R版本3.4.0（2017-04-21）得到以下错误：

py_call_impl中的错误（callable，dots $ args，dots $ keywords）：ValueError：变量block1_conv1_bn_1 / moving_mean / biased已经存在，不允许 . 你的意思是在VarScope中设置reuse = True吗？最初定义于：文件“D：\ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ framework \ ops.py”，第1269行，在init self._traceback = extract_stack（）文件“D：\ Anaconda3 \ lib \ site -packages \ tensorflow \ python \ framework \ ops.py“，第2506行，在create_op original_op = self.default_original_op，op_def = op_def）文件”D：\ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ framework \ op_def_library . py“，第767行，在apply_op中op_def = op_def）详细的回溯：文件”D：\ Anaconda3 \ lib \ site-packages \ keras \ models.py“，第467行，添加图层（x）文件”D：\ Anaconda3 \ lib \ site-packages \ keras \ engine \ topology.py“，第617行，在call output = self.call（inputs，** kwargs）文件”D：\ Anaconda3 \ lib \ site-packages \ keras \ engine \ topology.py“，第2081行，调用output_tensors，， = self.run_internal_graph（输入，掩码）文件”D：\ Anaconda3 \ l

Further background in case it matters: 我试图用Chollet的第5.3.1节的"Freature extraction with data augementation"小节和Allaire最优秀的书中的XCeption替换VGG16（"Fast feature extraction without data augmentation"中的所有内容都适用于VGG16和XCeption） .

r tensorflow keras conv-neural-network transfer-learning

1 回答

  • 1

    我不明白这个错误的来源，但我怀疑它与在另一个模型中使用模型有关（将基本模型添加到顺序模型中） .

    我建议尝试使用功能API模型 . 但不幸的是，我不擅长R来理解它的符号 .

    这个想法是（copied from here，我希望语法没问题 . 任何具有更好R理解的人都可以修复此代码）

    首先通常定义xception模型：

    conv_base1 <- application_xception(
weights = "imagenet",
include_top = FALSE,
pooling=FALSE,
input_shape = c(300, 300, 3)
)

    Try 1:

    现在让我们得到这个模型的输出张量，并将其传递给更多层

    #the inputs of the following layers is the output of the exception model     
    #this is where I can't handle with R, these two lines may be wrong
base_inputs <- conv_base1$input
base_outputs <- conv_base1$output

#the base_outputs are the input tensor to further layers
#predictions is the output tensor from those layers
predictions <- base_outputs %>%
    layer_flatten() %>% 
    layer_dense(units = 256, activation = "relu") %>% 
    layer_dense(units = 1, activation = 'sigmoid') 

# create and compile model - model starts at base_inputs and ends at predcitions
model <- keras_model(inputs = base_inputs, outputs = predictions)

    Try 2:

    或者，如果无法按照其他代码中的方式定义 base_inputs 和 base_outputs ：

    inputs <- layer_input(shape = c(300,300,3))

# outputs compose input + layers, where conv_base1 should behave like a layer
predictions <- inputs %>%
    conv_base1 %>%
    layer_flatten() %>% 
    layer_dense(units = 256, activation = "relu") %>% 
    layer_dense(units = 1, activation = 'sigmoid') 

# create and compile model
model <- keras_model(inputs = inputs, outputs = predictions)
    回复于

相关问题