我有一个训练好的Tensorflow模型和权重向量,已经被导出成protobuf和权重文件。
我该如何将它们转换成JSON或YAML和HDF5文件,以便Keras能够使用?
我有Tensorflow模型的代码,因此也可以将tf.Session
转换为Keras模型并在代码中保存。
我有一个训练好的Tensorflow模型和权重向量,已经被导出成protobuf和权重文件。
我该如何将它们转换成JSON或YAML和HDF5文件,以便Keras能够使用?
我有Tensorflow模型的代码,因此也可以将tf.Session
转换为Keras模型并在代码中保存。
我认为在keras中使用回调函数也是一种解决方案。
TF可以使用以下方式保存ckpt文件:
saver = tf.train.Saver()
saver.save(sess, checkpoint_name)
要在Keras中加载检查点,您需要一个回调类,如下所示:
class RestoreCkptCallback(keras.callbacks.Callback):
def __init__(self, pretrained_file):
self.pretrained_file = pretrained_file
self.sess = keras.backend.get_session()
self.saver = tf.train.Saver()
def on_train_begin(self, logs=None):
if self.pretrian_model_path:
self.saver.restore(self.sess, self.pretrian_model_path)
print('load weights: OK.')
然后在你的Keras脚本中:
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
restore_ckpt_callback = RestoreCkptCallback(pretrian_model_path='./XXXX.ckpt')
model.fit(x_train, y_train, batch_size=128, epochs=20, callbacks=[restore_ckpt_callback])
那将很好。 我认为这很容易实现,希望能有所帮助。
keras的创始人Francois Chollet在04/2017曾说过:“您不能将任意TensorFlow检查点转换为Keras模型。但是,您可以构建一个等效的Keras模型,然后将权重加载到该Keras模型中。”,详情请见https://github.com/keras-team/keras/issues/5273。据我所知,这种情况并未改变。
首先,您可以像这样提取tensorflow检查点的权重
PATH_REL_META = r'checkpoint1.meta'
# start tensorflow session
with tf.Session() as sess:
# import graph
saver = tf.train.import_meta_graph(PATH_REL_META)
# load weights for graph
saver.restore(sess, PATH_REL_META[:-5])
# get all global variables (including model variables)
vars_global = tf.global_variables()
# get their name and value and put them into dictionary
sess.as_default()
model_vars = {}
for var in vars_global:
try:
model_vars[var.name] = var.eval()
except:
print("For var={}, an exception occurred".format(var.name))
还可以将tensorflow模型导出供tensorboard使用,详情请参见https://dev59.com/2lsX5IYBdhLWcg3wHcTA#43569991
其次,您可以像往常一样构建keras模型,并通过“model.compile”完成最终编译。请注意,您需要为每个层定义名称并在此之后将其添加到模型中,例如:
layer_1 = keras.layers.Conv2D(6, (7,7), activation='relu', input_shape=(48,48,1))
net.add(layer_1)
...
net.compile(...)
第三,您可以使用tensorflow的值来设置权重,例如:
layer_1.set_weights([model_vars['conv7x7x1_1/kernel:0'], model_vars['conv7x7x1_1/bias:0']])
目前,Tensorflow或Keras中没有直接内置支持将冻结模型或检查点文件转换为hdf5格式的方法。
但是,既然您提到了您拥有Tensorflow模型的代码,那么您将需要在Keras中重写该模型的代码。然后,您将需要使用layer.load_weights(weights)
方法从检查点文件中读取变量的值,并将其分配给Keras模型。
除了这种方法之外,我建议您直接在Keras中进行训练,因为据称Keras的优化器比Tensorflow的优化器快5-10%。另一种方法是使用tf.contrib.keras模块编写您的代码,并直接将文件保存为hdf5格式。
希望这能帮助您达到想要去的地方。基本上一旦集成,您就可以像往常一样处理模型/权重导出。from tensorflow.contrib.keras.python.keras.models import Sequential
MyCallbacks
是什么? - Austin