[深度学习-实践]tensorflow_hub简单理解模型的生成与加载_tensorflowhub模型信息

0. 前言

Tensorflow于1.7之后推出了tensorflow hub，其是一个适合于迁移学习的部分，主要通过将tensorflow的训练好的模型进行模块划分，并可以再次加以利用。不过介于推出不久，目前只有图像的分类和文本的分类以及少量其他模型
这里先通过几个简单的例子，来展示该hub的使用流程。

1. 一个超简单例子

1.1 创建一个Module

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os

import tensorflow as tf
import tensorflow_hub as hub


def half_plus_two():
  '''该函数主要是创建一个简单的模型，其网络结构就是y = a*x + b  '''
  # 创建两个变量，a和b，如网络的权重和偏置
  a = tf.get_variable('a', shape=[])
  b = tf.get_variable('b', shape=[])
  # 创建一个占位变量，为后面graph的输入提供准备
  x = tf.placeholder(tf.float32)
  # 创建一个完整的graph
  y = a*x + b
  # 通过hub的add_signature，建立hub需要的网络
  hub.add_signature('function1',inputs=x, outputs=y)

  y = a * x
  hub.add_signature('function2', inputs=x, outputs=y)


def export_module(path):
  '''该函数用于调用创建api进行module创建，然后进行网络的权重赋值，最后通过session进行运行权重初始化，并最后输出该module'''
  # 通过hub的create_module_spec，接收函数建立一个Module
  spec = hub.create_module_spec(half_plus_two)
  # 防止串graph，将当期的操作放入同一个graph中
  with tf.Graph().as_default():
    # 通过hub的Module读取一个模块，该模块可以是url链接，表示从tensorflow hub去拉取，
    # 或者接收上述创建好的module
    module = hub.Module(spec)
    # 这里演示如何将权重值赋予到graph中的变量，如从checkpoint中进行变量恢复等
    init_a = tf.assign(module.variable_map['a'], 0.5)
    init_b = tf.assign(module.variable_map['b'], 2.0)
    init_vars = tf.group([init_a, init_b])

    with tf.Session() as sess:
      # 运行初始化，为了将其中变量的值设置为赋予的值
      sess.run(init_vars)
      # 将模型导出到指定路径
      module.export(path,sess)


if __name__ == '__main__':
  export_module("./module")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

运行上述代码，可得

可以看出，该例子中，生成一个Module是

• 1 - 先通过自定义网络,然后通过 hub.add_signature(inputs=x, outputs=y) 进行类似注册的操作
• 2 - 再通过hub.create_module_spec(half_plus_two)进行生成ModuleSpec对象
• 3 - 创建一个独立的tf.Graph()，通过module =
  hub.Module(spec)进行装载该Module，然后进行权重赋值，初始化等操作
• 4 - 最后通过module.export(path,sess)导出该Module

1.2 调用一个存在的Module

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
import tensorflow as tf
import tensorflow_hub as hub


def testExportTool1(self):

  # 指定module的文件夹位置，这里是export
  module_path = os.path.join('.','module')

  with tf.Graph().as_default():
    # 读取当前存在的一个module
    m = hub.Module(module_path)
    print('signature',m.get_signature_names())
    # 如直接采用y=f(x) 一样进行调用，
    output1=  m([10,3,4], signature='function1', as_dict=True)
    output2 = m([10, 3, 4], signature='function2')

    with tf.Session() as sess:
      # 惯例进行全局变量初始化
      sess.run(tf.initializers.global_variables())
      # 观察生成的值是否与预定义值一致，即prediction是否与label一致
      print(sess.run(output1)['default'])
      print(sess.run(output2))
      self.assertAllEqual(sess.run(output1)['default'], [7, 3.5, 4])
      self.assertAllEqual(sess.run(output2), [5, 1.5, 2])


if __name__ == '__main__':
  testExportTool1()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

对于调用来说，就十分简单了

• 1 - 创建一个tf.Graph()，然后通过m = hub.Module(module_path)进行装载已存在的Module
• 2 - 如y=f(x)一样进行调用
• 3 - sess.run一下即可。