TensorFlow v1.10 +: обновить tf.estimator.BestExporter и сохранить результаты? - PullRequest
Новая
       19

TensorFlow v1.10 +: обновить tf.estimator.BestExporter и сохранить результаты?

0 голосов
/ 19 июня 2019

У меня есть пользовательский оценщик с tf.estimator.BestExporter в виде: 

exporter = tf.estimator.BestExporter(
    name="best_exporter",
    serving_input_receiver_fn=serving_input_receiver_fn,
    exports_to_keep=5
) # this will keep the 5 best checkpoints

, поэтому при model_dir у меня теперь есть: 

# (inside model_dir/)
...
export/
-   best_exporter/
    -   <timestamp>
        -   variables/
            -   variables.data-00000-of-00001
            -   variables.index
        -   saved_model.pb

Я могу загрузить и использоватьмой экспортированный оценщик через 

predict_fn = predictor.from_saved_model(os.path.join(best_exporter_dir, timestamp))

Я хотел бы иметь возможность обновить значения этого оценщика (например, веса некоторого слоя some_layer/kernel:0)

Есть связанный (но не идентичный) GitHub выпуск , в котором вместо этого рассматривается, как можно это сделать, с помощью модели контрольные точки ( соответствующая часть выпуска ), которую автор подтвердил для работы с TensorFlow v1.4.

Я пытался соткать соответствующие части этого кода, чтобы хотя бы иметь возможность обновить некоторые веса: 


def load_estimator_graph(export_dir:str)->None:
    '''Solves import issues when using tf.estimator.(Best)Exporter for saving
    models rather than using the last checkpoint.

    Arguments:
        export_dir (str): the full path to exported tf.estimator model
    Returns:
        None
    '''
    with tf.Session(graph=tf.Graph()) as sess:
        meta_graph   = tf.saved_model.loader.load(sess, ['serve'], export_dir)
    with tf.Session() as sess:
        loaded_graph = tf.train.import_meta_graph(meta_graph)

def lazy_fetch_variable_values(variable_names:list)->dict:
    '''
    Notes:
        "lazy" refers to:
            1. the use of `tf.initialize_all_variables()` to ensure
                variables have values
            2. the use of `tf.trainable_variables()` to search the likely
                releveant values

    Arguments:
        variable_names (list): list of variable names (str) to retrieve from the
            default tensorflow graph

    Returns:
        variables (dict): key:value of the variables and the values as pythonic
            data types.
    '''
    init_op = tf.initialize_all_variables()
    variables = {}
    with tf.Session() as sess:
        sess.run(init_op)

        tvars = tf.trainable_variables()
        tvars_vals = sess.run(tvars)

        for var, val in zip(tvars, tvars_vals):
            if var.name in variable_names:
                variables[var.name] = val
    return variables


def lazy_set_variable_values(variables_to_set:dict):
    '''
    Arguments:
        variables_to_set (dict): variable_name, variable_value pairs for which
            to be updated in the graph
    '''
    init_op = tf.initialize_all_variables()
    with tf.Session() as sess:
        sess.run(init_op)
        tf_global_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)

        for var_to_find, val_to_set in variables_to_set.items():
            var = [v for v in tf_global_vars if v.name == var_to_find][0]
            sess.run(var)

            var = var.assign(val_to_set)
            sess.run(var)

, а затем что-то вроде: 


load_estimator_graph(best_exported_model_dir)
layer_name = 'some_layer/kernel:0'
weights = lazy_fetch_variable_values([layer_name])[layer_name]
new_weights = np.copy(weights)
new_weights = 0 # <-- np.ndarray, this sets _element-wise_ all values to 0, 
                #     has same shape as original weight tensor
lazy_set_varriable_values({layer_name: new_weights})


with tf.Session() as session:
    sess.run(tf.initialize_all_variables())
    saver = tf.train.Saver()
    saver.save(sess, os.path.join(best_exported_model_dir, '..', 'best_updated'))

Следует отметить, что это чтение в модели tf.estimator.BestExporter и попытка экспорта в контрольную точку.

Поэтому, если я пытаюсь восстановить контрольную точку: 

est = tf.estimator.Estimator(
    model_fn  = model_fn,
    model_dir = os.path.join(best_exported_model_dir, '..', 'best_updated'),
    config    = tf.estimator.RunConfig(**_config['RunConfig']), # same as runtime call
    params    = _config, # same as runtime call

)


eval_fn = lambda : input_fn(mode='eval')

est.evaluate(eval_fn)

, я получаю: 

ValueError Input 0 of layer some_layer is incompatible with the layer: : expected min_ndim=2, found ndim=1. Full shape received: [an_integer]

где в приведенном выше коде 

weights.shape[0] == new_weights.shape[0] == an_integer

суть проблемы

В идеале я предпочел бы сохранить обновленныймодель в той же форме, что и tf.estimator.BestExporter и tf.estimator.Estimator.export_savedmodel.

Однако для перечисленных выше методов экспорта требуется экземпляр estimator и соответствующий serving_input_receiver_fn.Метод predictor.from_saved_model(exported_dir) не инициализирует оценщик!так что, кажется, нет простого способа сделать это.

Примечания: - predictor взято из from tensorflow.contrib import predictor - Я хотел бы импортировать из экспортированной модели, обновить некоторые значения (например, смещение / веса)), а затем экспортируйте в той же форме (не перезаписывайте исходную модель).

...