在TensorFlow张量上调用Keras模型但保持权重

Question

在Keras中,作为TensorFlow的简化界面:教程描述了如何在TensorFlow张量上调用Keras模型.

from keras.models import Sequential

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax'))

# this works! 
x = tf.placeholder(tf.float32, shape=(None, 784))
y = model(x)

他们还说:

注意:通过调用Keras模型,您将重用其体系结构和权重.当您在张量上调用模型时,您将在输入张量之上创建新的TF操作,并且这些操作正在重用模型中已存在的TF变量实例.

我将此解释为模型的权重与模型中的权重相同y.但是,对我来说,似乎重新初始化了生成的Tensorflow节点中的权重.一个最小的例子如下:

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# Create model with weight initialized to 1
model = Sequential()
model.add(Dense(1, input_dim=1, kernel_initializer='ones',
                bias_initializer='zeros'))
model.compile(loss='binary_crossentropy', optimizer='adam',
              metrics=['accuracy'])

# Save the weights 
model.save_weights('file')

# Create another identical model except with weight initialized to 0
model2 = Sequential()
model2.add(Dense(1, input_dim=1, kernel_initializer='zeros',
                 bias_initializer='zeros'))
model2.compile(loss='binary_crossentropy', optimizer='adam',
               metrics=['accuracy'])
# Load the weight from the first model
model2.load_weights('file')
# Call model with Tensorflow tensor
v = tf.Variable([[1, ], ], dtype=tf.float32)
node = model2(v)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(node), model2.predict(np.array([[1, ], ])))
# Prints (array([[ 0.]], dtype=float32), array([[ 1.]], dtype=float32))

为什么我要这样做:

我想在另一个最小化方案中使用训练有素的网络,在搜索空间中网络"惩罚"不允许的地方.因此,如果您有不涉及这种特定方法的想法,那也非常感激.

Answer 1

终于找到了答案.该问题的示例中存在两个问题.

1:

第一个也是最明显的是我调用了tf.global_variables_intializer()函数,该函数将重新初始化会话中的所有变量.相反,我应该调用tf.variables_initializer(var_list) where var_list是要初始化的变量列表.

2:

第二个问题是Keras没有使用与本机Tensorflow对象相同的会话.这意味着为了能够在model2(v)我的会话中运行tensorflow对象 ,sess需要重新初始化.Keras再次作为tensorflow的简化接口:Tutorial能够提供帮助

我们应该首先创建一个TensorFlow会话并将其注册到Keras.这意味着Keras将使用我们注册的会话来初始化它在内部创建的所有变量.

import tensorflow as tf
sess = tf.Session()

from keras import backend as K
K.set_session(sess)

如果我们将这些更改应用于我的问题中提供的示例,我们将获得以下代码,该代码完全符合预期.

from keras import backend as K
from keras.models import Sequential
from keras.layers import Dense
sess = tf.Session()
# Register session with Keras
K.set_session(sess)
model = Sequential()
model.add(Dense(1, input_dim=1, kernel_initializer='ones',
                bias_initializer='zeros'))
model.compile(loss='binary_crossentropy', optimizer='adam',
              metrics=['accuracy'])
model.save_weights('test')

model2 = Sequential()
model2.add(Dense(1, input_dim=1, kernel_initializer='zeros',
                 bias_initializer='zeros'))
model2.compile(loss='binary_crossentropy', optimizer='adam',
               metrics=['accuracy'])
model2.load_weights('test')
v = tf.Variable([[1, ], ], dtype=tf.float32)
node = model2(v)
init = tf.variables_initializer([v, ])
sess.run(init)
print(sess.run(node), model2.predict(np.array([[1, ], ])))
# prints: (array([[ 1.]], dtype=float32), array([[ 1.]], dtype=float32))

结论:

经验教训是,在混合Tensorflow和Keras时,请确保所有内容都使用相同的会话.