Tensorflow Estimator:缓存瓶颈

Question

在遵循张量流图像分类教程时,首先它会缓存每个图像的瓶颈:

def:cache_bottlenecks())

我用tensorflow重写了训练Estimator.这真的简化了所有代码.但是我想在这里缓存瓶颈功能.

这是我的model_fn.我想缓存dense图层的结果,这样我就可以对实际的培训进行更改,而不必每次都计算瓶颈.

我怎么能做到这一点？

def model_fn(features, labels, mode, params):
    is_training = mode == tf.estimator.ModeKeys.TRAIN

    num_classes = len(params['label_vocab'])

    module = hub.Module(params['module_spec'], trainable=is_training and params['train_module'])
    bottleneck_tensor = module(features['image'])

    with tf.name_scope('final_retrain_ops'):
        logits = tf.layers.dense(bottleneck_tensor, units=num_classes, trainable=is_training)  # save this?

    def train_op_fn(loss):
        optimizer = tf.train.AdamOptimizer()
        return optimizer.minimize(loss, global_step=tf.train.get_global_step())

    head = tf.contrib.estimator.multi_class_head(n_classes=num_classes, label_vocabulary=params['label_vocab'])

    return head.create_estimator_spec(
        features, mode, logits, labels, train_op_fn=train_op_fn
    )

Answer 1

TF 无法在您编码时工作。你应该：

1. 从原始网络将瓶颈导出到文件。
2. 使用瓶颈结果作为输入，使用另一个网络来训练您的数据。