Tensorflow Keras功能API模型可以訓練Tensorflow變量嗎？ 可以在功能性API模型中使用Tensorflow操作嗎？

Question

我想知道Keras模型是否使用由tf.get_variable定義的功能性API訓練變量進行編譯/訓練？ Keras培訓還可以合並Tensorflow操作嗎？

所以基本上我想用Tensorflow變量和操作定義Keras模型，然后使用

model = tf.keras.Model(inputs=inputs, outputs=predictions)
model.compile(optimizer=optimizer, loss=loss)
model.fit(data, labels, batch_size=batch_size, epochs=epochs)

訓練模型。 原因是Google的TPU需要Keras或TF.Estimator API，更推薦使用Keras，因此，我希望了解如何輕松轉換模型。

背景

由於Tensorflow是后端，因此看起來有多種混合Keras / Tensorflow變量的方法。 這篇博客文章展示了如何使用Tensorflow圖/會話https://blog.keras.io/keras-as-a-simplified-interface-to-tensorflow-tutorial.html訓練Keras變量

from keras.layers import Dropout
from keras import backend as K

img = tf.placeholder(tf.float32, shape=(None, 784))
labels = tf.placeholder(tf.float32, shape=(None, 10))

x = Dense(128, activation='relu')(img)
x = Dropout(0.5)(x)
x = Dense(128, activation='relu')(x)
x = Dropout(0.5)(x)
preds = Dense(10, activation='softmax')(x)

loss = tf.reduce_mean(categorical_crossentropy(labels, preds))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
with sess.as_default():
    for i in range(100):
        batch = mnist_data.train.next_batch(50)
        train_step.run(feed_dict={img: batch[0],
                                  labels: batch[1],
                                  K.learning_phase(): 1})

acc_value = accuracy(labels, preds)
with sess.as_default():
    print acc_value.eval(feed_dict={img: mnist_data.test.images,
                                    labels: mnist_data.test.labels,
                                    K.learning_phase(): 0})

而且這里還顯示Tensorflow變量可以用作Keras模型的輸入

如何使用Tensorflow張量設置功能模型的Keras層的輸入？

tf_embedding_input = ...    # pre-processing output tensor

# Keras model
model = Sequential()
model.add(Input(tensor=tf_embedding_input)) 
model.add(Embedding(max_features, 128, input_length=maxlen))

所以我想知道Keras是否可以訓練Tensorflow變量。

例

我想在下面的Tensorflow體系結構中訓練embedding和softmax變量

  embeddings = tf.get_variable( 'embeddings', 
    initializer= tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))

  softmax_weights = tf.get_variable( 'softmax_weights',
    initializer= tf.truncated_normal([vocabulary_size, embedding_size],
                         stddev=1.0 / math.sqrt(embedding_size)))

  softmax_biases = tf.get_variable('softmax_biases', 
    initializer= tf.zeros([vocabulary_size]),  trainable=False )

  embed = tf.nn.embedding_lookup(embeddings, train_dataset) #train data set is

  embed_reshaped = tf.reshape( embed, [batch_size*num_inputs, embedding_size] )

  segments= np.arange(batch_size).repeat(num_inputs)

  averaged_embeds = tf.segment_mean(embed_reshaped, segments, name=None)

  loss = tf.reduce_mean(
    tf.nn.sampled_softmax_loss(weights=softmax_weights, biases=softmax_biases, inputs=averaged_embeds,
                               labels=train_labels, num_sampled=num_sampled, num_classes=vocabulary_size))

由於Tensorflow Keras使用Tensorflow后端，我猜想在某種程度上可以使用和訓練Tensorflow變量，並在訓練中使用Tensorflow操作。

我為什么要這樣做？

Google的TPU要求您的架構必須通過Estimator API或Keras API實現。 由於更推薦使用Keras API，因此可能有興趣將常規Tensorflow圖形/會話轉換為使用Keras API，並且對其代碼的更改盡可能少。

知道如何使用Keras模型編譯/訓練來合並Tensorflow操作並訓練Tensorflow變量將對此有很大幫助。

Answer 1

_小背景：

眾所周知，Keras是一個模型級庫，為開發深度學習模型提供了高級構建塊。

最重要的是：Keras API不處理張量操作。 為此，它需要一個經過優化的張量操縱庫，被稱為Keras的“后端引擎”。

目前，Keras提供了三種后端引擎：TensorFlow后端（Google），Theano后端和CNTK后端（MSFT）。

知道如何使用Keras模型編譯/訓練來合並Tensorflow操作並訓練Tensorflow變量將對此有很大幫助。

您唯一要問自己的是Keras變量和常規Tensorflow變量之間的區別是什么。

可能是Keras變量具有元數據。 因此，為了在Keras中使用TensorFlow變量，需要對其進行轉換。

注意：TensorFlow變量作用域對Keras層或模型沒有影響。

最后，可以通過初始化Keras層（或模型）來完成變量共享。

Answer 2

該解決方案有幫助嗎？

keras將外部可訓練變量添加到圖形

您可以使用以下方式將嵌入和softmax圖層輸入Keras模型

model.add()

然后使用定義這些變量為可訓練的

model.layers[-1].trainable_weights.extend()