• 【tf.keras】tf.keras加载AlexNet预训练模型



    tf.keras 的预训练模型都放在了'tensorflow.python.keras.applications' 目录下,在 tensorflow 1.10 版本中,预训练好的模型有:

    DenseNet121, DenseNet169, DenseNet201, InceptionResNetV2, InceptionV3, MobileNet, NASNetLarge, NASNetMobile, ResNet50, VGG16, VGG19, Xception.

    找了半天,发现 keras 没有预训练好的 AlexNet。。。

    所以本文提供一种从其它框架(如 PyTorch)导入预训练模型的方法,下面以 AlexNet 为例。代码参见 wuliytTaotao · Github

    从 PyTorch 中导出模型参数

    首先明白一点,当模型的结构一样时,我们只需要导入模型的参数即可复现模型,所以我们要做的就是从 PyTorch 中导出预训练好的模型参数,并用 keras 加载。

    这里要介绍一个微软的项目:MMdnn。MMdnn 使我们可以在不同深度学习框架之间转换模型,这里我也使用 MMdnn 来转换 AlexNet(PyTorch to Keras)。

    第 0 步:配置环境

    必须一致配置:
    - PyTorch: 0.4.0 (如果其它版本出现了问题,请退回到 0.4.0 版)
    
    非必须一致配置:
    - numpy: 1.14.5 
    - Keras: 2.1.3 (非 tensorflow 中的 keras)
    

    第 1 步:安装 MMdnn

    $ pip3 install mmdnn
    

    我安装的 mmdnn 版本为 0.2.5。

    其它安装方式请参考 github

    第 2 步:得到 PyTorch 保存完整结构和参数的模型(pth 文件)

    PyTorch 保存模型时,可以保存整个模型,也可以仅保存模型的参数,都是存放到 pth 文件中。

    mmdnn 操作的 pth 文件是要求含有模型结构的,具体参见 FAQ,而在 PyTorch 中预训练 AlexNet 仅保存了参数。

    通过以下程序得到包含有模型结构和权重的 AlexNet 预训练模型(pth 文件):

    import torch
    import torchvision
    
    m = torchvision.models.alexnet(pretrained=True)                    
    torch.save(m, './alexnet.pth')
    

    对于其它模型,如 resnet101,可以通过以下指令直接得到含有结构和权重的预训练模型:

    $ mmdownload -f pytorch -n resnet101 -o ./
    

    (不要通过上述指令得到 alexnet.pth,因为其仅仅包含权重,而不含结构,故后面一步会出现错误 "AttributeError: 'collections.OrderedDict' object has no attribute 'state_dict'"。)

    第 3 步:导出 PyTorch 模型的参数,保存至 hdf5 文件

    依次执行以下三条指令,最后会得到一个 'keras_alexnet.h5' 文件,这就是我们想要的 keras 能加载的预训练权重文件。

    $ mmtoir -f pytorch -d alexnet --inputShape 3,227,227 -n alexnet.pth
    IR network structure is saved as [alexnet.json].
    IR network structure is saved as [alexnet.pb].
    IR weights are saved as [alexnet.npy].
    $ mmtocode -f keras --IRModelPath alexnet.pb --IRWeightPath alexnet.npy --dstModelPath keras_alexnet.py
    Using TensorFlow backend.
    Parse file [alexnet.pb] with binary format successfully.
    Target network code snippet is saved as [keras_alexnet.py].
    $ python3 -m mmdnn.conversion.examples.keras.imagenet_test -n keras_alexnet.py -w alexnet.npy --dump keras_alexnet.h5
    Using TensorFlow backend.
    Keras model file is saved as [keras_alexnet.h5], generated by [keras_alexnet.py.py] and [alexnet.npy].
    

    可能遇到的问题

    • AttributeError: 'Conv2d' object has no attribute 'padding_mode'

    Solution:PyTorch 版本问题,1.1.0 版会出现这个问题,回退到 0.4.0 版本即可。

    $ pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade torch==0.4.0 torchvision==0.2.0
    

    Solution:请更改 numpy 版本。

    Solution:pth 文件仅含模型参数而不含模型结构,在 PyTorch 中加载一下然后保存含有模型结构和参数的 pth 文件。

    验证从 PyTorch 导出的 AlexNet 预训练模型

    测试用的几张图片、代码以及生成的 keras_alexnet.h5 文件都存放到了 wuliytTaotao · Github

    import torch
    import torchvision
    import cv2
    import numpy as np
    
    from torch.autograd import Variable
    
    import tensorflow as tf
    from tensorflow.keras import layers,regularizers
    
    
    filename_test = 'data/dog2.png'
    
    img = cv2.imread(filename_test)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 数据预处理
    img = cv2.resize(img, (227, 227))
    img = img / 255.0
    img = np.reshape(img, (1, 227, 227, 3))
    # 标准化,这是 PyTorch 预训练 AlexNet 模型的预处理方式,详情请见 https://pytorch.org/docs/stable/torchvision/models.html
    mean = np.array([0.485, 0.456, 0.406]).reshape([1, 1, 1, 3])
    std = np.array([0.229, 0.224, 0.225]).reshape([1, 1, 1, 3])
    img = (img - mean) / std
    
    # PyTorch
    # PyTorch 数据输入 channel 排列和 Keras 不一致
    img_tmp = np.transpose(img, (0, 3, 1, 2))
    
    model = torchvision.models.alexnet(pretrained=True)
    
    # torch.save(model, './model/alexnet.pth')
    model = model.double()
    model.eval()
    
    y = model(Variable(torch.tensor(img_tmp)))
    # 预测的类别
    print(np.argmax(y.detach().numpy()))
    
    
    # Keras
    def get_AlexNet(num_classes=1000, drop_rate=0.5):
        """
        PyTorch 中实现的 AlexNet 预训练模型结构,filter 的深度分别为:(64,192,384,256,256)。
        返回 AlexNet 的 inputs 和 outputs
        """
        inputs = layers.Input(shape=[227, 227, 3])
    
        conv1 = layers.Conv2D(64, (11, 11), strides=(4, 4), padding='valid', activation='relu')(inputs)
    
        pool1 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv1)
    
        conv2 = layers.Conv2D(192, (5, 5), strides=(1, 1), padding='same', activation='relu')(pool1)
    
        pool2 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv2)
    
        conv3 = layers.Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu')(pool2)
    
        conv4 = layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu')(conv3)
    
        conv5 = layers.Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu')(conv4)
    
        pool3 = layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(conv5)
    
        flat = layers.Flatten()(pool3)
    
        dense1 = layers.Dense(4096, activation='relu')(flat)
        dense1 = layers.Dropout(drop_rate)(dense1)
        dense2 = layers.Dense(4096, activation='relu')(dense1)
        dense2 = layers.Dropout(drop_rate)(dense2)
        outputs = layers.Dense(num_classes, activation='softmax')(dense2)
    
        return inputs, outputs
    
    inputs, outputs = get_AlexNet()
    model2 = tf.keras.Model(inputs, outputs)
    model2.load_weights('./keras_alexnet.h5')
    # 预测的类别
    print(np.argmax(model2.predict(img)))
    

    预测结果代表的类别请看博客 ImageNet图像库1000个类别名称(中文注释不断更新)

    Attentions

    PyTorch 中的预训练 AlexNet 模型卷积层 filter 的个数和原论文不一致,filter 的个数分别 (64,192,384,256,256)。具体参见 GitHub - pytorch: vision/torchvision/models/alexnet.py

    PyTorch 给出的解释是,它的预训练 AlexNet 模型用的是论文 Krizhevsky, A. (2014). One weird trick for parallelizing convolutional neural networks. arXiv preprint arXiv:1404.5997. 给出的架构,但 PyTorch 的模型架构和这篇论文还是有区别,这篇论文中第四个卷积层 filter 个数为 384,而 PyTorch 为 256。

    而 caffe 中实现的 AlexNet 含有原始的 LRN 层,去掉 LRN 层后,个人感觉预训练的权重就不能直接拿来用了。

    References

    PyTorch
    GitHub - microsoft/MMdnn
    GitHub - pytorch: vision/torchvision/models/alexnet.py
    ImageNet图像库1000个类别名称(中文注释不断更新)-- 徐小妹

  • 相关阅读:
    排序算法<No.3>【桶排序】
    排序算法<No.2>【快速排序】
    排序算法<No.1> 【计数排序】
    排序问题思考(要求时间和空间复杂度尽可能的低)【Part 1】
    elasticsearch【cat API,系统数据】指令汇总
    netty研究【1】:编译源代码
    D3树状图给指定特性的边特别显示颜色
    zabbix3.0安装之图形界面显示异常【server】
    计算一维组合数的java实现
    zabbix3.0安装【server】
  • 原文地址:https://www.cnblogs.com/wuliytTaotao/p/10942877.html
Copyright © 2020-2023  润新知