Tensorflow：在具有不同类别数量的新数据集上微调预训练模型

Posted 2023-02-19

【中文标题】Tensorflow：在具有不同类别数量的新数据集上微调预训练模型

【英文标题】：Tensorflow: Finetune pretrained model on new dataset with different number of classes

【发布时间】：2017-06-04 15:24:17

【问题描述】：

如何在新数据集上微调 TensorFlow 中的预训练模型？在 Caffe 中，我可以简单地重命名最后一层并为随机初始化设置一些参数。张量流中是否有类似的可能？

假设我有一个检查点文件 (deeplab_resnet.ckpt) 和一些设置计算图的代码，我可以在其中修改最后一层，使其具有与新数据集的类相同数量的输出。

然后我尝试像这样开始会话：

sess = tf.Session(config=config)
init = tf.initialize_all_variables()

sess.run(init)

trainable = tf.trainable_variables()
saver = tf.train.Saver(var_list=trainable, max_to_keep=40)
saver.restore(sess, 'ckpt_path/deeplab_resnet.ckpt')

但是，这在调用 saver.restore 函数时给了我一个错误，因为它需要与保存它的图形结构完全相同的图形结构。 我怎样才能只加载除'ckpt_path/deeplab_resnet.ckpt' 文件中的最后一层之外的所有权重？ 我还尝试更改 Classification 图层名称，但也没有运气......

我正在使用tensorflow-deeplab-resnet model

【问题讨论】：

我不太明白你想要什么。你想修改一个层，即使用它但不同（改变形状等）还是你想使用所有模型但层（使用一个全新的层）。点滴

两者（通常在微调中完成）。我用一个旧模型替换最后一层，用一个适合新数据集的新类别数的模型。然后这最后一层需要随机初始化。我猜@Alexey Romanovs 的答案已经是解决方案的一半。唯一缺少的部分是当网络从以前的 caffemodel 导入时层的显式随机初始化，就像 tensorflow-deeplab-resnet

中的情况一样

@mcExchange，请用完整的解决方案填写下面的答案和/或批准下面的解决方案。

【参考方案1】：

您可以指定要恢复的变量的名称。

所以，你可以得到一个模型中所有变量的列表，并过滤掉最后一层的变量：

all_vars = tf.all_variables()
var_to_restore = [v for v in all_vars if not v.name.startswith('xxx')]

saver = tf.train.Saver(var_to_restore)

详情请参阅documentation。

或者，您可以尝试加载整个模型并在最后一层之前创建一个新的“分支”，并在训练期间在成本函数中使用它。

【讨论】：

v.name.startswith('xxx') 是一个很好的提示。尽管网络不再崩溃，但训练它还没有收敛/损失没有减少。我是否必须明确告诉网络随机初始化被遗漏的层？ （顺便说一句，我不得不使用all_vars = tf.trainable_variables() 而不是all_vars = tf.all_variables()

您是否能够在不初始化新变量的情况下训练模型？如果您尝试使用已初始化的变量，TensorFlow 应该会给您一个错误。你可以尝试使用tf.variables_initializer(var_list)，但奇怪的是TensorFlow允许你在不初始化所有变量的情况下训练模型。

这里的问题可能是TF图不是手动创建的，而是从caffemodel转换而来的。所以我没有像myVar = tf.Variable(tf.random_normal([...], stddev=...),name="...") 这样的显式变量定义。我可能必须通过它们的名称选择这些变量，并明确告诉 TF 随机初始化它们。你知道怎么做吗？

您确实有新图层的变量，对吗？对于他们，您可以tf.variables_initializer 来初始化您的新变量。 added_vars = [v for v in ...], init_op = tf.variables_initializer(added_vars), sees.run(init_op)

好吧，在恢复各个变量之前，我已经在执行 init = tf.initialize_all_variables() 和 sess.run(init) 了。所以我想那时所有的变量都应该已经初始化了。我也有一种感觉，由于部分恢复，最后一层可能不会连接到网络的其余部分。至少在张量板中，上一层和最后一层之间没有线条......我会再次检查