将Keras模型集成到TensorFlow中

Question

我正在尝试在TensorFlow代码中使用预先训练的Keras模型，如本节Keras博客文章第II部分：使用带有TensorFlow的Keras模型中所述。

我想使用Keras中提供的预先训练的VGG16网络从图像中提取卷积特征图，并在其上添加我自己的TensorFlow代码。 所以我做到了这一点：

import tensorflow as tf
from tensorflow.python.keras.applications.vgg16 import VGG16, preprocess_input
from tensorflow.python.keras import backend as K

# images = a NumPy array containing 8 images

model = VGG16(include_top=False, weights='imagenet')
inputs = tf.placeholder(shape=images.shape, dtype=tf.float32)
inputs = preprocess_input(inputs)
features = model(inputs)

with tf.Session() as sess:
    K.set_session(sess)
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

但是，这给了我一个错误：

FailedPreconditionError: Attempting to use uninitialized value block1_conv1_2/kernel
     [[Node: block1_conv1_2/kernel/read = Identity[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:GPU:0"](block1_conv1_2/kernel)]]
     [[Node: vgg16_1/block5_pool/MaxPool/_3 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_132_vgg16_1/block5_pool/MaxPool", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

相反，如果我在运行网络之前运行初始化程序操作：

with tf.Session() as sess:
    K.set_session(sess)
    tf.global_variables_initializer().run()
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

然后我得到预期的输出：

(8, 11, 38, 512)

我的问题是，运行tf.global_variables_initializer() ，变量是随机初始化还是使用ImageNet权重？ 我问这个是因为上面引用的博客文章没有提到在使用预训练的Keras模型时需要运行初始化程序，事实上它让我感到有点不安。

我怀疑它确实使用了ImageNet权重，并且只需要运行初始化程序，因为TensorFlow需要显式初始化所有变量。 但这只是猜测。

Answer 1

TLDR

使用Keras时，

1. 如果可以的话，避免使用Session （本着不可知的Keras的精神）
2. 否则，请通过tf.keras.backend.get_session使用tf.keras.backend.get_session处理的Session 。
3. 使用set_session进行高级用途（例如，当您需要分析或设备放置时）和程序的早期使用 - 与常规做法和“纯”Tensorflow中的良好用法相反。

更多关于这一点

必须先初始化变量才能使用它们。 实际上，它比它更微妙：变量必须在它们被使用的会话中初始化。 我们来看看这个例子：

import tensorflow as tf

x = tf.Variable(0.)

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    # x is initialized -- no issue here
    x.eval()

with tf.Session() as sess:
    x.eval()
    # Error -- x was never initialized in this session, even though
    # it has been initialized before in another session

因此，您的model中的变量不会被初始化，因为您在sess之前创建模型，这sess 。

但是， VGG16不仅为模型变量（使用tf.global_variables_initializer调用的模型变量）创建初始化操作，而且实际上会调用它们。 问题是，哪个Session ？

好吧，既然你没有在你构建模型时存在， tf.keras.backend.get_session()为你创建了一个默认模式，你可以使用tf.keras.backend.get_session()恢复。 现在使用此会话按预期工作，因为变量在此会话中初始化：

with tf.keras.backend.get_session() as sess:
    K.set_session(sess)
    output = sess.run(features, feed_dict={inputs: images})
    print(output.shape)

请注意，您也可以创建自己的Session并通过keras.backend.set_session其提供给keras.backend.set_session - 这正是您所做的。 但是，正如这个例子所示，Keras和TensorFlow有不同的心态。

TensorFlow用户通常首先构建图形，然后在冻结图形之后实例化会话。

Keras与框架无关，并且在构造阶段之间没有这种内置的区别 - 特别是，我们在这里了解到Keras可以在图形构建期间很好地实例化Session。

出于这个原因，当使用Keras时，我建议不要自己管理tf.Session ，而是依赖于tf.keras.backend.get_session如果你需要处理需要tf.Session TensorFlow特定代码。

Answer 2

作为@ P-Gn答案的补充，如果你坚持明确创建一个新的会话（比如你正在阅读的教程），你应该把这些行：

sess = tf.Session()
K.set_session(sess)

在创建模型之前（即model = VGG16(...) ）然后使用创建的会话，如：

with sess.as_defualt():
    output = sess.run(features, feed_dict={inputs: images})