张量流，训练后分裂自动编码器

Question

我在tensorflow 1x中有自动编码器模型（不是keras），我正在尝试在训练后将模型分为编码器和解码器。

两者都在同一范围内起作用，我有3个PlaceHolders

self.X = tf.placeholder(shape=[None, vox_res64, vox_res64, vox_res64, 1], dtype=tf.float32)
self.Z = tf.placeholder(shape=[None,500], dtype=tf.float32)

self.Y = tf.placeholder(shape=[None, vox_rex256, vox_rex256, vox_rex256, 1], dtype=tf.float32)

 with tf.variable_scope('aeu'):
            self.lfc=self.encoder(self.X)

            self.Y_pred, self.Y_pred_modi = self.decoder(self.lfc)

编码器和解码器如下

    def encoder(self,X):
        with tf.device('/gpu:'+GPU0):
            X = tf.reshape(X,[-1, vox_res64,vox_res64,vox_res64,1])
            c_e = [1,64,128,256,512]
            s_e = [0,1 , 1, 1, 1]
            layers_e = []
            layers_e.append(X)
            for i in range(1,5,1):
                layer = tools.Ops.conv3d(layers_e[-1],k=4,out_c=c_e[i],str=s_e[i],name='e'+str(i))
                layer = tools.Ops.maxpool3d(tools.Ops.xxlu(layer, label='lrelu'), k=2,s=2,pad='SAME')
                layers_e.append(layer)

            ### fc
            [_, d1, d2, d3, cc] = layers_e[-1].get_shape()
            d1=int(d1); d2=int(d2); d3=int(d3); cc=int(cc)
            lfc = tf.reshape(layers_e[-1],[-1, int(d1)*int(d2)*int(d3)*int(cc)])
            lfc = tools.Ops.xxlu(tools.Ops.fc(lfc, out_d=500,name='fc1'), label='relu')
            print (d1)
            print(cc)
        return lfc


    def decoder(self,Z):
        with tf.device('/gpu:'+GPU0):


            lfc = tools.Ops.xxlu(tools.Ops.fc(Z, out_d=2*2*2*512, name='fc2'), label='relu')

            lfc = tf.reshape(lfc, [-1,2,2,2,512])

            c_d = [0,256,128,64]
            s_d = [0,2,2,2]
            layers_d = []
            layers_d.append(lfc)
            for j in range(1,4,1):

                layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=c_d[j],str=s_d[j],name='d'+str(len(layers_d)))

                layer = tools.Ops.xxlu(layer, label='relu')
                layers_d.append(layer)
            ###
            layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=1,str=2,name='dlast')
            print("****************************",layer)
            ###
            Y_sig = tf.nn.sigmoid(layer)
            Y_sig_modi = tf.maximum(Y_sig,0.01)

        return Y_sig, Y_sig_modi

当我在训练后尝试使用模型时

 X = tf.get_default_graph().get_tensor_by_name("Placeholder:0")
 Z = tf.get_default_graph().get_tensor_by_name("Placeholder_1:0")
 Y_pred = tf.get_default_graph().get_tensor_by_name("aeu/Sigmoid:0")
 lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

提取潜在代码工作正常

 lc = sess.run(lfc, feed_dict={X: x_sample})

现在我想将潜在代码用作解码器的输入我遇到错误我必须填写X（PLACEHOLDER）

 y_pred = sess.run(Y_pred, feed_dict={Z: lc})

我如何拆分为编码器解码器？ 我只搜索了我发现的keras示例

Answer 1

我注意到的第一件事是您没有将self.Z传递到解码器的任何位置。 因此，tensorflow不能仅将占位符与您先前使用的z自动链接起来。

您可以采取几种措施来解决此问题。 最简单的方法是尝试重新创建解码器图，但是当您调用变量作用域时，请设置reuse = True。

    with tf.variable_scope('aeu',reuse=True):
        self.new_Y, self.new_Y_modi = self.decoder(self.Z)

    y_pred = sess.run(self.new_Y, feed_dict={self.Z: lc})

这可能是最简单的方法。 在这种情况下，也可能会要求您填充占位符X，但是您可以只用一个空数组来填充它。 通常，除非存在某种将两者联系在一起的控件依赖项，否则Tensorflow不会要求它。

Answer 2

我发现了如何分割模型。

如果有人想知道我会回答

我的错误是：

1：我没有将self.Z传递给解码器

2：对于以下行

y_pred = sess.run(Y_pred, feed_dict={Z: lc})

在我训练了我的模型tensorflow之后，此文件在不同文件中的这一行将不知道[z]指的是什么，因此您必须使用与确定张量相同的变量，如下所示

 lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

我将其命名为[lfc]而不是[Z]

因此更改代码以解决问题

y_pred = sess.run(Y_pred, feed_dict={lfc: lc})