tensorflow - 当 is_training 设置为 false 时，MobileNet 不可用

Question

对此问题更准确的描述是，当 is_training 未显式设置为 true 时，MobileNet 表现不佳。我指的是 TensorFlow 在其模型存储库 https://github.com/tensorflow/models/blob/master/slim/nets/mobilenet_v1.py 中提供的 MobileNet .

这就是我创建网络的方式(phase_train=True):

with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope(is_training=phase_train)):
        features, endpoints = mobilenet_v1.mobilenet_v1(
            inputs=images_placeholder, features_layer_size=features_layer_size, dropout_keep_prob=dropout_keep_prob,
            is_training=phase_train)

我正在训练一个识别网络，并在训练时在 LFW 上进行测试。我在训练过程中得到的结果随着时间的推移而不断改进，并获得了很好的准确性。

在部署之前，我卡住了图表。如果我使用 is_training=True 卡住图表，那么我在 LFW 上得到的结果与训练期间相同。但是如果我设置 is_training=False 我会得到像网络根本没有训练过的结果...

这种行为实际上发生在 Inception 等其他网络中。

我倾向于认为我错过了一些非常基本的东西，并且这不是 TensorFlow 中的错误......

如有任何帮助，我们将不胜感激。

添加更多代码...

这就是我准备培训的方式:

images_placeholder = tf.placeholder(tf.float32, shape=(None, image_size, image_size, 1), name='input')
labels_placeholder = tf.placeholder(tf.int32, shape=(None))
dropout_placeholder = tf.placeholder_with_default(1.0, shape=(), name='dropout_keep_prob')
phase_train_placeholder = tf.Variable(True, name='phase_train')

global_step = tf.Variable(0, name='global_step', trainable=False)

# build graph

with slim.arg_scope(mobilenet_v1.mobilenet_v1_arg_scope(is_training=phase_train_placeholder)):
    features, endpoints = mobilenet_v1.mobilenet_v1(
        inputs=images_placeholder, features_layer_size=512, dropout_keep_prob=1.0,
        is_training=phase_train_placeholder)

# loss

logits = slim.fully_connected(inputs=features, num_outputs=train_data.get_class_count(), activation_fn=None,
                              weights_initializer=tf.truncated_normal_initializer(stddev=0.1),
                              weights_regularizer=slim.l2_regularizer(scale=0.00005),
                              scope='Logits', reuse=False)

tf.losses.sparse_softmax_cross_entropy(labels=labels_placeholder, logits=logits,
                                       reduction=tf.losses.Reduction.MEAN)

loss = tf.losses.get_total_loss()

# normalize output for inference

embeddings = tf.nn.l2_normalize(features, 1, 1e-10, name='embeddings')

# optimizer

optimizer = tf.train.AdamOptimizer()
train_op = optimizer.minimize(loss, global_step=global_step)

这是我的火车步骤:

batch_data, batch_labels = train_data.next_batch()
feed_dict = {
    images_placeholder: batch_data,
    labels_placeholder: batch_labels,
    dropout_placeholder: dropout_keep_prob
}
_, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)

我可以添加如何卡住图表的代码，但这并不是真正必要的。使用 is_train=false 构建图表、加载最新检查点并在 LWF 上运行评估以重现问题就足​​够了。

更新...

我发现问题出在批量归一化层。将这一层设置为 is_training=false 就足以重现问题。

我找到这个后发现的引用文献:

http://ruishu.io/2016/12/27/batchnorm/

https://github.com/tensorflow/tensorflow/issues/10118

Batch Normalization - Tensorflow

一旦我有了经过测试的解决方案，就会更新解决方案。

Answer 1

所以我找到了解决方案。主要使用这个引用:http://ruishu.io/2016/12/27/batchnorm/

来自链接:

Note: When is_training is True the moving_mean and moving_variance need to be updated, by default the update_ops are placed in tf.GraphKeys.UPDATE_OPS so they need to be added as a dependency to the train_op, example:

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) if update_ops: updates = tf.group(*update_ops) total_loss = control_flow_ops.with_dependencies([updates], total_loss)

言归正传，而不是像这样创建优化器:

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(total_loss, global_step=global_step)

这样做:

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
    optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
    train_op = optimizer.minimize(total_loss, global_step=global_step)

这样就可以解决问题了。