将Keras模型集成到TensorFlow中

Question

我正在尝试在TensorFlow代码中使用预先训练的Keras模型,如本节Keras博客文章第II部分:使用带有TensorFlow的Keras模型中所述.

我想使用Keras中提供的预先训练的VGG16网络从图像中提取卷积特征图,并在其上添加我自己的TensorFlow代码.所以我做到了这一点:

import tensorflow as tf
from tensorflow.python.keras.applications.vgg16 import VGG16, preprocess_input
from tensorflow.python.keras import backend as K

# images = a NumPy array containing 8 images

model = VGG16(include_top=False, weights='imagenet')
inputs = tf.placeholder(shape=images.shape, dtype=tf.float32)
inputs = preprocess_input(inputs)
features = model(inputs)

with tf.Session() as sess:
    K.set_session(sess)
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

但是,这给了我一个错误:

FailedPreconditionError: Attempting to use uninitialized value block1_conv1_2/kernel
     [[Node: block1_conv1_2/kernel/read = Identity[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:GPU:0"](block1_conv1_2/kernel)]]
     [[Node: vgg16_1/block5_pool/MaxPool/_3 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_132_vgg16_1/block5_pool/MaxPool", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

相反,如果我在运行网络之前运行初始化程序操作:

with tf.Session() as sess:
    K.set_session(sess)
    tf.global_variables_initializer().run()
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

然后我得到预期的输出:

(8, 11, 38, 512)

我的问题是,在运行时tf.global_variables_initializer(),变量是随机初始化还是使用ImageNet权重？我问这个是因为上面引用的博客文章没有提到在使用预训练的Keras模型时需要运行初始化程序,事实上它让我感到有点不安.

我怀疑它确实使用了ImageNet权重,并且只需要运行初始化程序,因为TensorFlow需要显式初始化所有变量.但这只是猜测.

Answer 1

TLDR

使用Keras时,

1. Session如果可以,请避免使用(本着不可知的Keras精神)
2. Session通过tf.keras.backend.get_session其他方式使用Keras处理.
3. 使用Keras' set_session用于高级用途(例如,当您需要分析或设备放置时)和您的程序中的早期使用 - 与常见做法和"纯"Tensorflow中的良好用法相反.

更多关于这一点

必须先初始化变量才能使用它们.实际上,它比它更微妙:变量必须在它们被使用的会话中初始化.我们来看看这个例子:

import tensorflow as tf

x = tf.Variable(0.)

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    # x is initialized -- no issue here
    x.eval()

with tf.Session() as sess:
    x.eval()
    # Error -- x was never initialized in this session, even though
    # it has been initialized before in another session

因此,您的变量model未初始化不应该让您感到意外,因为您之前创建了模型sess.

但是,VGG16不仅为模型变量(您正在调用的变量)创建初始化操作tf.global_variables_initializer,而且实际上会调用它们.问题是,在哪Session？

好吧,既然您在构建模型时没有存在,Keras会为您创建一个默认模式,您可以使用它进行恢复tf.keras.backend.get_session().现在使用此会话按预期工作,因为变量在此会话中初始化:

with tf.keras.backend.get_session() as sess:
    K.set_session(sess)
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

请注意,您也可以创建自己的Session并通过keras.backend.set_session- 将其提供给Keras - 这正是您所做的.但是,正如这个例子所示,Keras和TensorFlow有不同的心态.

TensorFlow用户通常首先构建图形,然后在冻结图形之后实例化会话.

Keras与框架无关,并且在构造阶段之间没有这种内置的区别 - 特别是,我们在这里了解到Keras可以在图形构建期间很好地实例化Session .

出于这个原因,当使用Keras时,我建议不要tf.Session自己管理,而是依赖于tf.keras.backend.get_session你需要处理需要的TensorFlow特定代码tf.Session.