张量流，训练后的拆分自动编码器

Question

我在 tensorflow 1x 中有自动编码器模型(不是 keras(，我正在尝试在训练后将模型拆分为编码器和解码器。

两者在同一范围内发挥作用 我有 3 个占位符

self.X = tf.placeholder(shape=[None, vox_res64, vox_res64, vox_res64, 1], dtype=tf.float32)
self.Z = tf.placeholder(shape=[None,500], dtype=tf.float32)
self.Y = tf.placeholder(shape=[None, vox_rex256, vox_rex256, vox_rex256, 1], dtype=tf.float32)
with tf.variable_scope('aeu'):
self.lfc=self.encoder(self.X)
self.Y_pred, self.Y_pred_modi = self.decoder(self.lfc)

枚举器和解码器如下

def encoder(self,X):
with tf.device('/gpu:'+GPU0):
X = tf.reshape(X,[-1, vox_res64,vox_res64,vox_res64,1])
c_e = [1,64,128,256,512]
s_e = [0,1 , 1, 1, 1]
layers_e = []
layers_e.append(X)
for i in range(1,5,1):
layer = tools.Ops.conv3d(layers_e[-1],k=4,out_c=c_e[i],str=s_e[i],name='e'+str(i))
layer = tools.Ops.maxpool3d(tools.Ops.xxlu(layer, label='lrelu'), k=2,s=2,pad='SAME')
layers_e.append(layer)
### fc
[_, d1, d2, d3, cc] = layers_e[-1].get_shape()
d1=int(d1); d2=int(d2); d3=int(d3); cc=int(cc)
lfc = tf.reshape(layers_e[-1],[-1, int(d1)*int(d2)*int(d3)*int(cc)])
lfc = tools.Ops.xxlu(tools.Ops.fc(lfc, out_d=500,name='fc1'), label='relu')
print (d1)
print(cc)
return lfc

def decoder(self,Z):
with tf.device('/gpu:'+GPU0):

lfc = tools.Ops.xxlu(tools.Ops.fc(Z, out_d=2*2*2*512, name='fc2'), label='relu')
lfc = tf.reshape(lfc, [-1,2,2,2,512])
c_d = [0,256,128,64]
s_d = [0,2,2,2]
layers_d = []
layers_d.append(lfc)
for j in range(1,4,1):
layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=c_d[j],str=s_d[j],name='d'+str(len(layers_d)))
layer = tools.Ops.xxlu(layer, label='relu')
layers_d.append(layer)
###
layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=1,str=2,name='dlast')
print("****************************",layer)
###
Y_sig = tf.nn.sigmoid(layer)
Y_sig_modi = tf.maximum(Y_sig,0.01)
return Y_sig, Y_sig_modi

当我在训练后尝试使用模型时

X = tf.get_default_graph().get_tensor_by_name("Placeholder:0")
Z = tf.get_default_graph().get_tensor_by_name("Placeholder_1:0")
Y_pred = tf.get_default_graph().get_tensor_by_name("aeu/Sigmoid:0")
lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

获取潜在代码工作正常

lc = sess.run(lfc, feed_dict={X: x_sample})

现在我想使用潜在代码作为解码器的输入，我得到错误，我必须填写 X(占位符(

y_pred = sess.run(Y_pred, feed_dict={Z: lc})

如何拆分为编码器解码器？ 我只搜索了我找到了 keras 示例

Answer 1

我注意到的第一件事是你没有自我通过。Z 任意位置进入解码器。因此，tensorflow 不能自动将该占位符与您之前使用的 z 链接起来。

您可以采取一些措施来解决此问题。最简单的方法是尝试重新创建解码器图，但在调用变量范围时，请设置 reuse=True。

with tf.variable_scope('aeu',reuse=True):
self.new_Y, self.new_Y_modi = self.decoder(self.Z)
y_pred = sess.run(self.new_Y, feed_dict={self.Z: lc})

这可能是最容易做到的方法。在这种情况下，您可能也会被要求填写占位符 X，但您可以使用空数组填充它。通常 Tensorflow 不会要求它，除非有某种控制依赖关系将两者联系在一起。

Answer 2

我找到了如何拆分模型。

如果有人想知道，我会给出答案

我的错误是：

1：我没有通过自我。Z 到解码器

2：对于以下行

y_pred = sess.run(Y_pred, feed_dict={Z: lc})

在我训练我的模型后，这一行在不同的文件中 TensorFlow 将不知道 [ z ] 指的是什么，因此您必须使用与以下相同的变量来标识张量

。

lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

我把它命名为 [ lfc ] 而不是 [ Z ]

所以将代码更改为解决问题

y_pred = sess.run(Y_pred, feed_dict={lfc: lc})