在张量流检查点中修改张量的形状答案

【问题标题】：Modifying shape of tensor in tensorflow checkpoint在张量流检查点中修改张量的形状
【发布时间】：2018-06-16 17:00:17
【问题描述】：

我有一个 tensorflow 检查点，在使用常规例程 tf.train.Saver() 和 saver.restore(session, 'my_checkpoint.ckpt') 重新定义与其对应的图形后，我可以加载它。

但是，现在，我想修改网络的第一层以接受形状为 [200, 200, 1] 而不是 [200, 200, 10] 的输入。

为此，我想通过对第三维求和，将第一层对应的张量的形状从[3, 3, 10, 32]（3x3 内核，10 个输入通道，32 个输出通道）修改为[3, 3, 1, 32]。

我该怎么做？

【问题讨论】：

标签： tensorflow tf-slim

【解决方案1】：

你可以使用tensorflow::BundleReader读取源码ckpt，并使用tensorflow::BundleWriter重写。

tensorflow::BundleReader reader(Env::Default(), model_path_prefix);
std::vector<std::string> tensor_names;
reader.Seek("");
reader.Next();
for (; reader.Valid(); reader.Next()) {
    tensor_names.emplace_back(reader.key());
}
tensorflow::BundleWriter writer(Env::Default(), new_model_path_prefix);   
for (auto &tensor_name : tensor_names) {
        DataType dtype;
        TensorShape shape;        
        
        reader.LookupDtypeAndShape(tensor_name, &dtype, &shape);
        Tensor val(dtype, shape);
        Status bool_ret  = reader.Lookup(tensor_name, &val);
        std::cout << tensor_name << " " << val.DebugString() << std::endl;
        // modify dtype and shape. padding Tensor
        TensorSlice slice(new_shape.dims());
        writer.AddSlice(tensor_name, new_shape, slice, new_val);
    }
}
writer.Finish();

【讨论】：

【解决方案2】：

我找到了一种方法，但方法并不那么简单。给定一个检查点，我们可以将其转换为序列化的 numpy 数组（或我们可能发现适合保存 numpy 数组字典的任何其他格式），如下所示：

checkpoint = {}
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.restore(sess, 'my_checkpoint.ckpt')
    for x in tf.global_variables():
        checkpoint[x.name] = x.eval()
    np.save('checkpoint.npy', checkpoint)

可能会有一些异常需要处理，但让我们保持代码简单。

然后，我们可以对 numpy 数组执行任何我们喜欢的操作：

checkpoint = np.load('checkpoint.npy')
checkpoint = ...
np.save('checkpoint.npy', checkpoint)

最后，我们可以在构建图表后手动加载权重，如下所示：

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    checkpoint = np.load('checkpoint.npy').item()
    for key, data in checkpoint.iteritems():
        var_scope = ... # to be extracted from key
        var_name = ...  # 
        with tf.variable_scope(var_scope, reuse=True):
            var = tf.get_variable(var_name)
            sess.run(var.assign(data))

如果有更直接的方法，我会全力以赴！

【讨论】：