将 CNN Pytorch 中的预训练权重传递给 Tensorflow 中的 CNN

Question

我已经在 Pytorch 中为 224x224 大小的图像和 4 个类训练了这个网络。

class CustomConvNet(nn.Module):

    def __init__(self, num_classes):

        super(CustomConvNet, self).__init__()

        self.layer1 = self.conv_module(3, 64)

        self.layer2 = self.conv_module(64, 128)

        self.layer3 = self.conv_module(128, 256)

        self.layer4 = self.conv_module(256, 256)

        self.layer5 = self.conv_module(256, 512)

        self.gap = self.global_avg_pool(512, num_classes)

        #self.linear = nn.Linear(512, num_classes)

        #self.relu = nn.ReLU()

        #self.softmax = nn.Softmax()

    def forward(self, x):

        out = self.layer1(x)

        out = self.layer2(out)

        out = self.layer3(out)

        out = self.layer4(out)

        out = self.layer5(out)

        out = self.gap(out)

        out = out.view(-1, 4)

        #out = self.linear(out)

        return out

    def conv_module(self, in_num, out_num):

        return nn.Sequential(

            nn.Conv2d(in_num, out_num, kernel_size=3, stride=1, padding=1),

            nn.ReLU(),

            nn.MaxPool2d(kernel_size=(2, 2), stride=None))

    def global_avg_pool(self, in_num, out_num):

        return nn.Sequential(

            nn.Conv2d(in_num, out_num, kernel_size=3, stride=1, padding=1),

            #nn.BatchNorm2d(out_num),

            #nn.LeakyReLU(),

            nn.ReLU(),

            nn.Softmax(),

            nn.AdaptiveAvgPool2d((1, 1)))

我从第一个 Conv2D 得到了权重，它的大小torch.Size([64, 3, 3, 3])

我已将其保存为：

weightsCNN = net.layer1[0].weight.data

np.save('CNNweights.npy', weightsCNN)

这是我在 Tensorflow 中构建的模型。我想将从 Pytorch 模型中保存的权重传递到这个 Tensorflow CNN 中。

    model = models.Sequential()

    model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(224, 224, 3)))

    model.add(layers.MaxPooling2D((2, 2)))

    model.add(layers.Conv2D(128, (3, 3), activation='relu'))

    model.add(layers.MaxPooling2D((2, 2)))

我应该怎么做？Tensorflow 需要什么形状的权重？谢谢！

Answer 1

keras您可以非常简单地检查所有层的所有权重的形状：for layer in model.layers:     print([tensor.shape for tensor in layer.get_weights()])这将为您提供所有权重的形状（包括偏差），因此您可以numpy相应地准备加载的权重。要设置它们，请执行类似的操作：for torch_weight, layer in zip(model.layers, torch_weights):     layer.set_weights(torch_weight)wheretorch_weights应该是一个列表，np.array其中包含您必须加载的列表。通常每个元素torch_weights都包含一个np.array权重和一个偏差。请记住，从打印中收到的形状必须与您放入的形状完全相同set_weights。有关更多信息，请参阅文档。顺便提一句。确切的形状取决于模型执行的层和操作，有时您可能必须转置一些数组以“适应它们”。