Tensorflow Estimator：缓存瓶颈答案

【问题标题】：Tensorflow Estimator: Cache bottlenecksTensorflow Estimator：缓存瓶颈
【发布时间】：2019-02-03 22:52:06
【问题描述】：

在学习tensorflow图像分类教程时，首先缓存了每张图像的瓶颈：

我已经使用 tensorflow 的 Estimator 重写了训练。这确实简化了所有代码。但是我想在这里缓存瓶颈功能。

这是我的model_fn。我想缓存dense 层的结果，这样我就可以对实际训练进行更改，而不必每次都计算瓶颈。

我怎样才能做到这一点？

def model_fn(features, labels, mode, params):
    is_training = mode == tf.estimator.ModeKeys.TRAIN

    num_classes = len(params['label_vocab'])

    module = hub.Module(params['module_spec'], trainable=is_training and params['train_module'])
    bottleneck_tensor = module(features['image'])

    with tf.name_scope('final_retrain_ops'):
        logits = tf.layers.dense(bottleneck_tensor, units=num_classes, trainable=is_training)  # save this?

    def train_op_fn(loss):
        optimizer = tf.train.AdamOptimizer()
        return optimizer.minimize(loss, global_step=tf.train.get_global_step())

    head = tf.contrib.estimator.multi_class_head(n_classes=num_classes, label_vocabulary=params['label_vocab'])

    return head.create_estimator_spec(
        features, mode, logits, labels, train_op_fn=train_op_fn
    )

【问题讨论】：

标签： python tensorflow machine-learning classification

【解决方案1】：

TF 无法像您编写代码一样工作。你应该：

从原始网络将瓶颈导出到文件。
使用瓶颈结果作为输入，使用另一个网络来训练您的数据。

【讨论】：

你能举个例子吗？

【解决方案2】：

扩展@Feng 所说的内容：

见TFRecords and TFExamples和Load Images

这样的东西应该可以工作（未经测试）：

# Serialize the data into two tfrecord files
tf.enable_eager_execution()
feature_extractor = ...
features_file = tf.python_io.TFRecordWriter('features.tfrec')
label_file = tf.python_io.TFRecordWriter('labels.tfrec')

for images, labels in dataset:
  features = feature_extractor(images)
  features_file.write(tf.serialize_tensor(features))
  label_file.write(tf.serialize_tensor(labels))

# Parse the files and zip them together
def parse(type, shape):
  _def parse(x):
    result = tf.parse_tensor(x, out_type=shape)
    result = tf.reshape(result, FEATURE_SHAPE)
    return result
  return parse

features_ds = tf.data.TFRecordDataset('features.tfrec')
features_ds = features_ds.map(parse(tf.float32, FEATURE_SHAPE), num_parallel_calls=AUTOTUNE)

labels_ds = tf.data.TFRecordDataset('labels.tfrec')
labels_ds = labels_ds.map(parse(tf.float32, FEATURE_SHAPE), num_parallel_calls=AUTOTUNE)

ds = tf.data.Dataset.zip(features_ds, labels_ds)
ds = ds.unbatch().shuffle().repeat().batch().prefetch()...

您也可以使用 Dataset.cache 来完成此操作，但我不能 100% 确定细节。

【讨论】：