TensorFlow:解放

问题描述 投票:21回答:3

是否有TensorFlow原生函数可以解卷积网络解开?

我已经在普通的python中写了这个,但是当它想要将它转换为TensorFlow时变得越来越复杂,因为它的对象目前甚至不支持项目分配,我认为这对TF来说非常不方便。

tensorflow conv-neural-network deconvolution
3个回答
14
投票

我不认为有一个正式的解开层,这是令人沮丧的,因为你必须使用图像调整大小(双线性插值或最近邻居),这就像一个普通的解放操作,它是非常缓慢的。查看“图像”部分中的tf api,您将找到它。

Tensorflow有一个maxpooling_with_argmax的东西,你可以获得maxpooled输出以及激活贴图,这是很好的,因为你可以在unpooling层中使用它来保存'丢失'的空间信息,但似乎没有这样的解开操作可以。我猜他们计划很快添加它。

编辑:我发现一些人在google讨论一周前似乎已经实现了类似的东西,但我个人还没有尝试过。 https://github.com/ppwwyyxx/tensorpack/blob/master/tensorpack/models/pool.py#L66


9
投票

这里有几个tensorflow实现pooling.py

即:

1)利用source输出的unpool操作(tf.nn.max_pool_with_argmax)。虽然请注意,从tensorflow 1.0开始,tf.nn.max_pool_with_argmax仅限GPU

2)通过用零或最大元素的副本填充未池区域的位置来模拟最大池的逆的上采样操作。与tensorpack相比,它允许复制元素而不是零,并支持除[2, 2]之外的步幅。

没有重新编译,反向支持友好。

插图:Upsampling

Unpooling


6
投票

我正在寻找一个maxunpooling操作并尝试实现它。我想出了一些hacky implementation for the gradient,因为我正在与CUDA挣扎。

代码是here,您需要在GPU支持下从源代码构建它。以下是演示应用程序。不过没有保修!

此操作还存在open issue

import tensorflow as tf
import numpy as np

def max_pool(inp, k=2):
    return tf.nn.max_pool_with_argmax_and_mask(inp, ksize=[1, k, k, 1], strides=[1, k, k, 1], padding="SAME")

def max_unpool(inp, argmax, argmax_mask, k=2):
    return tf.nn.max_unpool(inp, argmax, argmax_mask, ksize=[1, k, k, 1], strides=[1, k, k, 1], padding="SAME")

def conv2d(inp, name):
    w = weights[name]
    b = biases[name]
    var = tf.nn.conv2d(inp, w, [1, 1, 1, 1], padding='SAME')
    var = tf.nn.bias_add(var, b)
    var = tf.nn.relu(var)
    return var

def conv2d_transpose(inp, name, dropout_prob):
    w = weights[name]
    b = biases[name]

    dims = inp.get_shape().dims[:3]
    dims.append(w.get_shape()[-2]) # adpot channels from weights (weight definition for deconv has switched input and output channel!)
    out_shape = tf.TensorShape(dims)

    var = tf.nn.conv2d_transpose(inp, w, out_shape, strides=[1, 1, 1, 1], padding="SAME")
    var = tf.nn.bias_add(var, b)
    if not dropout_prob is None:
        var = tf.nn.relu(var)
        var = tf.nn.dropout(var, dropout_prob)
    return var


weights = {
    "conv1":    tf.Variable(tf.random_normal([3, 3,  3, 16])),
    "conv2":    tf.Variable(tf.random_normal([3, 3, 16, 32])),
    "conv3":    tf.Variable(tf.random_normal([3, 3, 32, 32])),
    "deconv2":  tf.Variable(tf.random_normal([3, 3, 16, 32])),
    "deconv1":  tf.Variable(tf.random_normal([3, 3,  1, 16])) }

biases = {
    "conv1":    tf.Variable(tf.random_normal([16])),
    "conv2":    tf.Variable(tf.random_normal([32])),
    "conv3":    tf.Variable(tf.random_normal([32])),
    "deconv2":  tf.Variable(tf.random_normal([16])),
    "deconv1":  tf.Variable(tf.random_normal([ 1])) }


## Build Miniature CEDN
x = tf.placeholder(tf.float32, [12, 20, 20, 3])
y = tf.placeholder(tf.float32, [12, 20, 20, 1])
p = tf.placeholder(tf.float32)

conv1                                   = conv2d(x, "conv1")
maxp1, maxp1_argmax, maxp1_argmax_mask  = max_pool(conv1)

conv2                                   = conv2d(maxp1, "conv2")
maxp2, maxp2_argmax, maxp2_argmax_mask  = max_pool(conv2)

conv3                                   = conv2d(maxp2, "conv3")

maxup2                                  = max_unpool(conv3, maxp2_argmax, maxp2_argmax_mask)
deconv2                                 = conv2d_transpose(maxup2, "deconv2", p)

maxup1                                  = max_unpool(deconv2, maxp1_argmax, maxp1_argmax_mask)
deconv1                                 = conv2d_transpose(maxup1, "deconv1", None)


## Optimizing Stuff
loss        = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(deconv1, y))
optimizer   = tf.train.AdamOptimizer(learning_rate=1).minimize(loss)


## Test Data
np.random.seed(123)
batch_x = np.where(np.random.rand(12, 20, 20, 3) > 0.5, 1.0, -1.0)
batch_y = np.where(np.random.rand(12, 20, 20, 1) > 0.5, 1.0,  0.0)
prob    = 0.5


with tf.Session() as session:
    tf.set_random_seed(123)
    session.run(tf.initialize_all_variables())

    print "\n\n"
    for i in range(10):
        session.run(optimizer, feed_dict={x: batch_x, y: batch_y, p: prob})
        print "step", i + 1
        print "loss",  session.run(loss, feed_dict={x: batch_x, y: batch_y, p: 1.0}), "\n\n"

编辑29.11.17

一段时间后,我在TensorFlow 1.0中以干净的方式重新实现了它,前向操作也可以作为CPU版本使用。你可以找到它in this branch,我建议你查看最后几个提交,如果你想使用它。

© www.soinside.com 2019 - 2024. All rights reserved.