如何使用 tensorflow 制作经过训练的模型的副本？

Question

我有一个带有模型规范的类和一些训练和评估模型的方法。 我想复制一个受过训练的对象，我尝试使用copy.deepcopy()但没有奏效。

下面的代码只是一个例子，但我希望它适用于任何使用以下相同想法的模型：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
import copy
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
FLAGS = None

class Model():

    def __init__(self):
        self.x = tf.placeholder(tf.float32, [None, 784])
        self.W = tf.Variable(tf.zeros([784, 10]))
        self.b = tf.Variable(tf.zeros([10]))
        self.y = tf.matmul(self.x, self.W) + self.b
        self.y_ = tf.placeholder(tf.float32, [None, 10])
        self.cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=self.y_, logits=self.y))
        self.train_step = tf.train.GradientDescentOptimizer(0.5).minimize(self.cross_entropy)

    def train(self, mnist, sess):
        for _ in range(1000):
            batch_xs, batch_ys = mnist.train.next_batch(100)
            sess.run(self.train_step, feed_dict={self.x: batch_xs, self.y_: batch_ys})

    def test(self, mnist, sess):
        self.correct_prediction = tf.equal(tf.argmax(self.y, 1), tf.argmax(self.y_, 1))
        self.accuracy = tf.reduce_mean(tf.cast(self.correct_prediction, tf.float32))
        print(sess.run(self.accuracy, feed_dict={self.x: mnist.test.images, self.y_: mnist.test.labels}))

def main(_):
    # Import data
    mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
    m = Model()
    sess = tf.InteractiveSession()
    tf.global_variables_initializer().run()
    m.train(mnist, sess)
    copy_of_m = copy.deepcopy(m)  # DOES NOT WORK !
    m.test(mnist, sess)
    copy_of_m.test(mnist, sess)

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data', help='Directory for storing input data')
    FLAGS, unparsed = parser.parse_known_args()
    tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

Answer 1

正如在此线程链接中，您可以使用from copy import copy并执行copy(model)而不是深复制。

您还可以使用tf.keras.models.clone_model并在您的复制模型中加载另一个模型的权重。

Answer 2

正如 de1 在评论中所解释的

TensorFlow 变量存在于图中，无法自行序列化/反序列化

您不能简单地使用deepcopy复制tensorflow模型，因为Variable存在于图中。 虽然Variable本身不能被复制（如果你复制它们，你会收到这个异常TypeError: can't pickle _thread.RLock objects ），你可以使用__getstate__/__setstate__复制它们的值。 例如，

tf.reset_default_graph()

class Model():

    def __init__(self):
        
        self.normal = 2
        self.x = tf.ones([1,2])
        self.W = tf.Variable(tf.zeros([2, 2]))
        self.b = tf.Variable(tf.zeros([2]))
        self.y = tf.matmul(self.x, self.W) + self.b
        self.train_step = tf.train.GradientDescentOptimizer(0.5).minimize(self.y)
        self.inside_tf = ['W','b','x','y','train_step']
        
    def __getstate__(self):
        
        for item in self.inside_tf:
            setattr(self,'%s_val' % item,sess.run(getattr(self,item))) 
        state = self.__dict__.copy()
        for item in self.inside_tf:
            del state[item]
        return state

    def __setstate__(self, state):
        
        self.__dict__.update(state)

# Import data
m = Model()
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()

copy_of_m = copy.deepcopy(m)

正如您通过运行此脚本所看到的，在酸洗之前（复制之前），在__getstate__方法中，我们首先保存Variable的值，然后从self.__dict__的副本中删除它们。 因此，在酸洗（复制）时，只会酸洗Variable的值。

通过运行[item for item in dir(copy_of_m) if item[:2] != '__'] ，您可以看到对象copy_of_m具有属性['W_val', 'b_val', 'inside_tf', 'normal', 'train_step_val', 'x_val', 'y_val'] 。 虽然像W_val这样的属性不是tensorflow Variable ，但很明显， Variable的值对我们来说是最重要的。