У меня есть кодировщик VGG19, который получает входное изображение y из (256,256,3) и возвращает тензор измерения (32,32, 512) из слоя conv-4-1 vgg.Мне нужно превратить его в массив, чтобы применить некоторые преобразования и восстановить изображение с помощью моего декодера.
Короче, я пытаюсь обучить сеть декодеров следующим образом:
x = vgg_encoder(y) # generate features from image y
x = do_extra_transformation(x) # for example, reshape and apply K means to shift features towards their cluster centres
y_pred = decoder(x) # try to reconstruct the image y from features
loss = calculate_loss(y, y_pred) # calculate reconstruction loss using VGG loss
Однако, когда я запускаю код, я получаю сообщение об ошибке: ValueError: Tensor Tensor("block4_conv1/Relu:0", shape=(?, 32, 32, 512), dtype=float32) is not an element of this graph.
Я предполагаю, что ошибка возникает из-за пересоединения tenorflow графика после того, как я вызываю предикат в VGG для генерации функций.Я не понимаю, почему это проблема, поскольку технически она используется только для генерации данных и не является частью графика вычислений для обучения!
Полный код, который вы можете запустить с python example.py ниже
import tensorflow as tf
import numpy as np
from tensorflow.keras.applications import VGG19
from tensorflow.keras.layers import Input, UpSampling2D, Conv2D
from tensorflow.keras.models import Model
import tensorflow.keras.backend as K
from tensorflow.keras.optimizers import Adam
class CustomModel:
def __init__(self, im_h, im_w, im_c):
self.im_shape = (im_h, im_w, im_c)
self.vgg_features_shape = (None, None, 512)
self.vgg_loss_model = self.build_vgg_loss()
self.kernel_size = (3,3)
self.decoder = self.build_decoder()
def build_vgg_loss(self):
vgg = VGG19(weights="imagenet", include_top=False, input_shape=self.im_shape)
vgg.outputs = vgg.get_layer('block4_conv1').output
model = Model(inputs=vgg.inputs, outputs=vgg.outputs)
model.trainable = False
return model
def build_decoder(self):
"""
Mirrors the VGG network with max-pooling layers replaces by UpScaling Layers
"""
i = Input((None, None, 512))
x = Conv2D(filters=512, kernel_size=self.kernel_size, padding='same')(i)
x = UpSampling2D()(x)
for _ in range(4):
x = Conv2D(filters=256, kernel_size=self.kernel_size, padding='same')(x)
x = UpSampling2D()(x)
for _ in range(2):
x = Conv2D(filters=128, kernel_size=self.kernel_size, padding='same')(x)
x = UpSampling2D()(x)
for _ in range(2):
x = Conv2D(filters=64, kernel_size=self.kernel_size, padding='same')(x)
x = Conv2D(filters=3, kernel_size=self.kernel_size, padding='same')(x)
model = Model(inputs=i, outputs=x)
return model
def get_loss(self, y_pred, y):
vgg_model = self.vgg_loss_model
def content_loss(y_pred, y):
dif = vgg_model(y) - vgg_model(y_pred)
sq = K.square(dif)
s = K.sum(sq, axis=-1)
sqrt = K.sqrt(s)
loss = K.sum(sqrt)
return loss
return content_loss(y_pred, y)
class DataLoader:
def __init__(self, vgg):
self.vgg = vgg
def gen(self):
while True:
y = np.random.randn(256, 256,3)
x = self.vgg.predict(np.expand_dims(y, 0)).reshape((32,32,512)) # if this is turned into a np.array, everything works as expected
yield x, np.random.randn(256, 256,3)
model = CustomModel(256,256,3)
# dl = DataLoader(datapath='./trainer/data/', mst=mst)
output_types=(
tf.float32,
tf.float32
)
output_shapes=(
tf.TensorShape([None, None, None]),
tf.TensorShape([None, None, None])
)
ds = tf.data.Dataset.from_generator(DataLoader(model.vgg_loss_model).gen,
output_types=output_types,
output_shapes=output_shapes)
ds = ds.repeat().batch(1)
iterator = ds.make_one_shot_iterator()
x, y = iterator.get_next()
y_pred = model.decoder(x)
loss = model.get_loss(y_pred, y)
opt = tf.train.AdamOptimizer(0.01)
train_opt = opt.minimize(loss)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
opt = tf.train.GradientDescentOptimizer(0.01)
for i in range(5):
sess.run(train_opt)