Tensorflow——迁移学习实现（语义分割）

Question

我正在努力实现一个 CNN 架构（FCN-8s 模型，带有预训练的 VGG16 模型），用于对我自己的数据进行语义分割（2 类，因此，每像素二进制分类）

我打算如何解决这个问题：

加载带有权重的预训练模型
Add/remove 额外的更高层转换为 FCN
冻结预训练模型的较低层（在训练阶段不更新）
在特定数据集上训练网络

假设这是正确的，我该如何冻结我的 tensorflow 模型的较低层？（我正在寻找具体的实施细节）我看过 TensorFlow 上的 Inception 再培训教程，但我还不太确定。

这是我心目中的工作流程：

运行我的数据通过现有的预训练模型，并提取特征输出，没有训练它。（如何？）
将这些特征输出馈送到另一个包含更高层的网络 - 并开始训练它。

任何建议都会有所帮助！

否则，如果我错了，我该怎么想？

更新：

我使用 chasep255's suggestion below, and tried to use tf.stop_gradient 以便 "freeze" 我模型中的较低层。显然，我的实现有问题。可能 alternatives/suggestions?

该模型基于FCN（用于语义分割）论文构建。我从模型架构中提取 logits，即我的特征，我最初将其直接输入到 loss 函数中，以使用 softmax 分类器将其最小化。（每像素分类）deconv_1 是我的 logits 张量，形状为 [batch, h, w, num_classes] = [1, 750, 750, 2] 实现：

logits = vgg_fcn.deconv_1

stopper = tf.stop_gradient(logits, 'stop_gradients')

loss = train_func.loss(stopper, labels_placeholder, 2)

with tf.name_scope('Optimizer'):
    train_op = train_func.training(loss, FLAGS.learning_rate)

    with tf.name_scope('Accuracy'):
        eval_correct = train_func.accuracy_eval(logits, labels_placeholder)
        accuracy_summary = tf.scalar_summary('Accuracy', eval_correct)

然后我运行这些图形操作如下：

_, acc, loss_value = sess.run([train_op,eval_correct, loss], feed_dict=feed_dict)

当我运行这样的训练周期时，没有优化损失值，这肯定是因为我如何引入 tf.stop_gradient Op。

更多细节，我的损失函数如下：

def loss(logits, labels, num_classes):

    logits = tf.reshape(logits, [-1, num_classes])
    #epsilon = tf.constant(value=1e-4)
    #logits = logits + epsilon

    labels = tf.to_int64(tf.reshape(labels, [-1]))
    print ('shape of logits: %s' % str(logits.get_shape()))
    print ('shape of labels: %s' % str(labels.get_shape()))

    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name='Cross_Entropy')
    cross_entropy_mean = tf.reduce_mean(cross_entropy, name='xentropy_mean')
    tf.add_to_collection('losses', cross_entropy_mean)

    loss = tf.add_n(tf.get_collection('losses'), name='total_loss')
    return loss

Answer 1

您可以将预训练模型的输出传递给 sess.run(pretrained_output, ...) 并捕获预训练模型的输出。保存输出后，您可以将其输入到模型中。在这种情况下，优化器将无法将梯度传播到预训练模型。

您还可以将预训练模型正常附加到您的模型，然后通过 tf.stop_graidents() 传递预训练输出，这将阻止优化器将梯度传播回预训练模型。

最后，您可以遍历预训练模型中的所有变量，并将它们从可训练变量列表中删除。

Tensorflow——迁移学习实现（语义分割）

Tensorflow - transfer learning implementation (semantic segmentation)

python

image-segmentation

tensorflow

pre-trained-model