【问题标题】：How can I convert a trained Tensorflow model to Keras?如何将训练有素的 Tensorflow 模型转换为 Keras？
【发布时间】：2017-11-11 23:02:24
【问题描述】：

我有一个训练有素的 Tensorflow 模型和权重向量，它们已分别导出到 protobuf 和权重文件。

如何将这些转换为 Keras 可以使用的 JSON 或 YAML 和 HDF5 文件？

我有 Tensorflow 模型的代码，因此将 tf.Session 转换为 keras 模型并将其保存在代码中也是可以接受的。

【问题讨论】：

标签： tensorflow keras

【解决方案1】：

我认为keras中的回调也是一种解决方案。

ckpt文件可以通过TF保存：

saver = tf.train.Saver()
saver.save(sess, checkpoint_name)

要在 Keras 中加载检查点，您需要一个回调类，如下所示：

class RestoreCkptCallback(keras.callbacks.Callback):
    def __init__(self, pretrained_file):
        self.pretrained_file = pretrained_file
        self.sess = keras.backend.get_session()
        self.saver = tf.train.Saver()
    def on_train_begin(self, logs=None):
        if self.pretrian_model_path:
            self.saver.restore(self.sess, self.pretrian_model_path)
            print('load weights: OK.')

然后在你的 keras 脚本中：

 model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
 restore_ckpt_callback = RestoreCkptCallback(pretrian_model_path='./XXXX.ckpt') 
 model.fit(x_train, y_train, batch_size=128, epochs=20, callbacks=[restore_ckpt_callback])

这样就好了。我认为它很容易实现，希望对您有所帮助。

【讨论】：

嗨，MyCallbacks 是什么？
嗨@Austin，MyCallbacks 是RestoreCkptCallback。我已经更正了我的帖子。谢谢你的提醒！
但是，这需要你在 keras 中编写模型，不是吗？

【解决方案2】：

keras 的创建者 Francois Chollet 在 04/2017 中表示：“您不能将任意 TensorFlow 检查点转换为 Keras 模型。但是，您可以做的是构建一个等效的 Keras 模型，然后将权重加载到这个 Keras 模型中" ，见https://github.com/keras-team/keras/issues/5273。据我所知，这并没有改变。

一个小例子：

首先，您可以像这样提取张量流检查点的权重

PATH_REL_META = r'checkpoint1.meta'
    
# start tensorflow session
with tf.Session() as sess:
    
    # import graph
    saver = tf.train.import_meta_graph(PATH_REL_META)
    
    # load weights for graph
    saver.restore(sess, PATH_REL_META[:-5])
        
    # get all global variables (including model variables)
    vars_global = tf.global_variables()
    
    # get their name and value and put them into dictionary
    sess.as_default()
    model_vars = {}
    for var in vars_global:
        try:
            model_vars[var.name] = var.eval()
        except:
            print("For var={}, an exception occurred".format(var.name))

它也可能用于导出 tensorflow 模型以用于 tensorboard，请参阅https://stackoverflow.com/a/43569991/2135504

其次，您像往常一样构建您的 keras 模型并通过“model.compile”完成它。请注意，您需要按名称定义每个层，然后将其添加到模型中，例如

layer_1 = keras.layers.Conv2D(6, (7,7), activation='relu', input_shape=(48,48,1))
net.add(layer_1)
...
net.compile(...)

第三，您可以使用 tensorflow 值设置权重，例如

layer_1.set_weights([model_vars['conv7x7x1_1/kernel:0'], model_vars['conv7x7x1_1/bias:0']])

【讨论】：

如何处理 batch_norm 层，因为它们有 4 个参数并且似乎会导致问题...
@ADA：不是 100% 肯定，但如果你用最小的代码示例提出新问题，我或其他人可以看看。
感谢我发了一个帖子。我很想知道我缺少什么

【解决方案3】：

目前，Tensorflow 或 Keras 没有直接内置支持将冻结模型或检查点文件转换为 hdf5 格式。

但既然你提到你有 Tensorflow 模型的代码，你将不得不在 Keras 中重写该模型的代码。然后，您必须从检查点文件中读取变量的值，并使用layer.load_weights(weights) 方法将其分配给 Keras 模型。

除了这种方法之外，我建议您直接在 Keras 中进行培训，因为它声称 Keras' optimizers are 5-10% times faster than Tensorflow's optimizers。另一种方法是使用 tf.contrib.keras 模块在 Tensorflow 中编写代码，然后直接将文件保存为 hdf5 格式。

【讨论】：

【解决方案4】：

不确定这是否是您正在寻找的，但我碰巧对 TF 1.2 中新发布的 keras 支持做了同样的事情。您可以在此处找到有关 API 的更多信息：https://www.tensorflow.org/api_docs/python/tf/contrib/keras

为了节省您一点时间，我还发现我必须包含如下所示的 keras 模块，并将附加的 python.keras 附加到 API 文档中显示的内容中。

从 tensorflow.contrib.keras.python.keras.models 导入顺序

希望能帮助您到达您想去的地方。基本上，一旦集成，您就可以像往常一样处理模型/权重导出。

【讨论】：