在 TensorFlow 张量上调用 Keras 模型但保留权重

Question

在Keras as a simplified interface to TensorFlow: tutorial 中，他们描述了如何在 TensorFlow 张量上调用 Keras 模型。

from keras.models import Sequential

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=784))
model.add(Dense(10, activation='softmax'))

# this works! 
x = tf.placeholder(tf.float32, shape=(None, 784))
y = model(x)

他们还说：

注意：通过调用 Keras 模型，您正在重用其架构和权重。当您在张量上调用模型时，您是在输入张量之上创建新的 TF 操作，这些操作正在重用模型中已经存在的 TF 变量实例。

我将此解释为y 中的模型权重与模型中的权重相同。但是，对我来说，生成的 Tensorflow 节点中的权重似乎已重新初始化。下面是一个最小的例子：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# Create model with weight initialized to 1
model = Sequential()
model.add(Dense(1, input_dim=1, kernel_initializer='ones',
                bias_initializer='zeros'))
model.compile(loss='binary_crossentropy', optimizer='adam',
              metrics=['accuracy'])

# Save the weights 
model.save_weights('file')

# Create another identical model except with weight initialized to 0
model2 = Sequential()
model2.add(Dense(1, input_dim=1, kernel_initializer='zeros',
                 bias_initializer='zeros'))
model2.compile(loss='binary_crossentropy', optimizer='adam',
               metrics=['accuracy'])
# Load the weight from the first model
model2.load_weights('file')
# Call model with Tensorflow tensor
v = tf.Variable([[1, ], ], dtype=tf.float32)
node = model2(v)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(node), model2.predict(np.array([[1, ], ])))
# Prints (array([[ 0.]], dtype=float32), array([[ 1.]], dtype=float32))

我为什么要这样做：

如果网络“惩罚”搜索空间中不允许的位置，我想在另一个最小化方案中使用经过训练的网络。因此，如果您有不涉及这种特定方法的想法，那也非常感谢。

Answer 1

终于找到了答案。该问题的示例中有两个问题。

1：

第一个也是最明显的是我调用了tf.global_variables_intializer() 函数，它将重新初始化会话中的所有变量。相反，我应该调用tf.variables_initializer(var_list)，其中var_list 是要初始化的变量列表。

2：

第二个问题是 Keras 没有使用与原生 Tensorflow 对象相同的会话。这意味着为了能够使用我的会话 sess 运行 tensorflow 对象 model2(v)，它需要重新初始化。再次Keras as a simplified interface to tensorflow: Tutorial 能够提供帮助

我们应该首先创建一个 TensorFlow 会话并将其注册到 Keras。这意味着 Keras 将使用我们注册的会话来初始化它在内部创建的所有变量。

import tensorflow as tf
sess = tf.Session()

from keras import backend as K
K.set_session(sess)

如果我们将这些更改应用于我的问题中提供的示例，我们将得到以下代码，该代码完全符合预期。

from keras import backend as K
from keras.models import Sequential
from keras.layers import Dense
sess = tf.Session()
# Register session with Keras
K.set_session(sess)
model = Sequential()
model.add(Dense(1, input_dim=1, kernel_initializer='ones',
                bias_initializer='zeros'))
model.compile(loss='binary_crossentropy', optimizer='adam',
              metrics=['accuracy'])
model.save_weights('test')

model2 = Sequential()
model2.add(Dense(1, input_dim=1, kernel_initializer='zeros',
                 bias_initializer='zeros'))
model2.compile(loss='binary_crossentropy', optimizer='adam',
               metrics=['accuracy'])
model2.load_weights('test')
v = tf.Variable([[1, ], ], dtype=tf.float32)
node = model2(v)
init = tf.variables_initializer([v, ])
sess.run(init)
print(sess.run(node), model2.predict(np.array([[1, ], ])))
# prints: (array([[ 1.]], dtype=float32), array([[ 1.]], dtype=float32))

结论：

教训是，在混合使用 Tensorflow 和 Keras 时，请确保所有内容都使用相同的会话。

Answer 2

感谢您提出这个问题并回答它，它帮助了我！除了在 Keras 后端设置相同的 tf 会话之外，还需要注意的是，如果要从文件中加载 Keras 模型，则需要在加载模型之前运行全局变量初始化程序操作。

sess = tf.Session()

# make sure keras has the same session as this code
tf.keras.backend.set_session(sess)

# Do this BEFORE loading a keras model
init_op = tf.global_variables_initializer()
sess.run(init_op)


model = models.load_model('path/to/your/model.h5')