Tensorflow: «ValueError: нет переменных для оптимизации». - PullRequest
Новая
       7

Tensorflow: «ValueError: нет переменных для оптимизации».

0 голосов
/ 08 июля 2019

Я пытаюсь перезагрузить две предварительно обученные модели и настроить их в соответствии с общей целью. Я загружаю две предварительно обученные модели: 

        with tf.Session(graph=graph_shape) as sess_shape:
            # restore the latest model
            file_list = os.listdir('ShapePrior/model/')
            file_list.sort(key=lambda x: x)
            loader = tf.train.import_meta_graph('ShapePrior/model/%s/shape.meta' % file_list[-2])

            sess_shape.run(tf.group(tf.global_variables_initializer(), tf.local_variables_initializer()))
            loader.restore(sess_shape, tf.train.latest_checkpoint('ShapePrior/model/%s' % file_list[-2]))

        graph_pose = tf.Graph()
        with tf.Session(graph=graph_pose) as sess_pose:
            # restore the latest model
            file_list = os.listdir('PosePrior/model/')
            file_list.sort(key=lambda x: x)
            loader = tf.train.import_meta_graph('PosePrior/model/%s/pose.meta' % file_list[-2])

            sess_pose.run(tf.group(tf.global_variables_initializer(), tf.local_variables_initializer()))
            loader.restore(sess_pose, tf.train.latest_checkpoint('PosePrior/model/%s' % file_list[-2]))

Затем я объединяю их и определяю новую сеть: 

        graph_prior = tf.get_default_graph()
        with tf.Session(graph=graph_prior, config=config) as sess_prior:
            with tf.variable_scope(name_or_scope='prior_init'):
                training = tf.placeholder(tf.bool, name='training')
                shape_input = tf.placeholder(tf.float32, [None, 64, 64, 1], name='shape_input')
                pose_input = tf.placeholder(tf.float32, [None, 3, 14], name='pose_input')
                beta = tf.placeholder(tf.float32, [None, 10], name='beta')
                theta = tf.placeholder(tf.float32, [None, 72], name='theta')
            with tf.variable_scope(name_or_scope='prior_network'):
                beta_output = tf.import_graph_def(graph_shape.as_graph_def(),
                                                  input_map={'shape_prior_init/input:0': shape_input,
                                                             'shape_prior_init/training:0': training,
                                                             'shape_prior_init/beta:0': beta},
                                                  return_elements=['shape_prior_network/beta_output/MatMul:0'],
                                                  name='beta_output')
                theta_output = tf.import_graph_def(graph_pose.as_graph_def(),
                                                   input_map={'pose_prior_init/input:0': pose_input,
                                                              'pose_prior_init/training:0': training,
                                                              'pose_prior_init/theta:0': theta},
                                                   return_elements=['pose_prior_network/theta_output/MatMul:0'],
                                                   name='theta_output')

Этот шаг хочет получить выходные данные двух моделей. Затем я определяю оптимизатор на основе выводов моделей: 

            with tf.variable_scope(name_or_scope='prior_optimizer'):

                beta_gt = tf.placeholder(tf.float32, [self.batch_size, 10])
                theta_gt = tf.placeholder(tf.float32, [self.batch_size, 72])


                beta_loss = tf.reduce_mean(tf.reduce_sum(tf.square(beta_output - beta_gt), axis=1),
                                            name='theta_loss')
                theta_loss = tf.reduce_mean(tf.reduce_sum(tf.square(theta_output - theta_gt), axis=1),
                                            name='theta_loss')

                # loss function
                total_loss = beta_loss + theta_loss


                # optimizer
                update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
                with tf.control_dependencies(update_ops):
                    train_ops = tf.train.AdamOptimizer(learning_rate=self.learning_rate).minimize(total_loss)

После этого я начинаю тренироваться: 

                for i in range(self.iterations):
                    print(i)
                    _, _silhouette, _keypoint, _theta, _beta = sess_prior.run(data)
                    _keypoint = Prior.generate_keypoint(_keypoint)

                    _, loss = sess_prior.run([train_ops, total_loss],
                                             feed_dict={training: True,
                                                        shape_input: _silhouette, beta_gt: _beta,
                                                        pose_input: _keypoint, theta_gt: _theta})

но я получаю ошибку: ValueError: Нет переменных для оптимизации. Я хочу несколько предложений, спасибо ~

...