TL;DR从前一个检查点加载变量的最简单方法是使用该函数tf.train.init_from_checkpoint() https://www.tensorflow.org/api_docs/python/tf/train/init_from_checkpoint。只需调用一次该函数即可model_fn
您的估算器将覆盖相应变量的初始值设定项。
第一个具有两个隐藏层的模型
更详细地说,假设您已经在 MNIST 上训练了第一个具有两个隐藏层的模型,名为model_fn_1
。权重保存在目录中mnist_1
.
def model_fn_1(features, labels, mode):
images = features['image']
h1 = tf.layers.dense(images, 100, activation=tf.nn.relu, name="h1")
h2 = tf.layers.dense(h1, 100, activation=tf.nn.relu, name="h2")
logits = tf.layers.dense(h2, 10, name="logits")
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
optimizer = tf.train.GradientDescentOptimizer(0.01)
train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)
# Estimator 1: two hidden layers
estimator_1 = tf.estimator.Estimator(model_fn_1, model_dir='mnist_1')
estimator_1.train(input_fn=train_input_fn, steps=1000)
具有三个隐藏层的第二个模型
现在我们要训练一个新模型model_fn_2
具有三个隐藏层。我们要加载前两个隐藏层的权重h1
and h2
。我们用tf.train.init_from_checkpoint()
去做这个:
def model_fn_2(features, labels, mode, params):
images = features['image']
h1 = tf.layers.dense(images, 100, activation=tf.nn.relu, name="h1")
h2 = tf.layers.dense(h1, 100, activation=tf.nn.relu, name="h2")
h3 = tf.layers.dense(h2, 100, activation=tf.nn.relu, name="h3")
assignment_map = {
'h1/': 'h1/',
'h2/': 'h2/'
}
tf.train.init_from_checkpoint('mnist_1', assignment_map)
logits = tf.layers.dense(h3, 10, name="logits")
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
optimizer = tf.train.GradientDescentOptimizer(0.01)
train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)
# Estimator 2: three hidden layers
estimator_2 = tf.estimator.Estimator(model_fn_2, model_dir='mnist_2')
estimator_2.train(input_fn=train_input_fn, steps=1000)
The assignment_map
将从范围加载每个变量h1/
在检查点进入新范围h1/
,并且与相同h2/
。不要忘记/
最后让 TensorFlow 知道它是一个变量范围。
我找不到使用预制估算器进行这项工作的方法,因为你无法更改它们model_fn
.