【tf.keras】tf.keras加载AlexNet预训练模型

目录

• 从 PyTorch 中导出模型参数
  • 第 0 步：配置环境
  • 第 1 步：安装 MMdnn
  • 第 2 步：获得 PyTorch 保存完整结构和参数的模型（pth 文件）
  • 第 3 步：导出 PyTorch 模型的参数，保存至 hdf5 文件
  • 可能遇到的问题
• 验证从 PyTorch 导出的 AlexNet 预训练模型
• Attentions
• References

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。。。

因此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。

从 PyTorch 中导出模型参数

首先明白一点，当模型的结构同样时，咱们只须要导入模型的参数便可复现模型，因此咱们要作的就是从 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 使咱们能够在不一样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 （若是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：获得 PyTorch 保存完整结构和参数的模型（pth 文件）

PyTorch 保存模型时，能够保存整个模型，也能够仅保存模型的参数，都是存放到 pth 文件中。

mmdnn 操做的 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。

经过如下程序获得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，能够经过如下指令直接获得含有结构和权重的预训练模型：

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

（不要经过上述指令获得 alexnet.pth，由于其仅仅包含权重，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

依次执行如下三条指令，最后会获得一个 'keras_alexnet.h5' 文件，这就是咱们想要的 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 版本便可。

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

• ValueError: Object arrays cannot be loaded when allow_pickle=False

Solution：请更改 numpy 版本。

• AttributeError: 'collections.OrderedDict' object has no attribute 'state_dict'

Solution：pth 文件仅含模型参数而不含模型结构，在 PyTorch 中加载一下而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, regularizer_rate=0.01):
    """
    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', kernel_regularizer=regularizers.l2(regularizer_rate))(flat)
    dense1 = layers.Dropout(drop_rate)(dense1)
    dense2 = layers.Dense(4096, activation='relu', kernel_regularizer=regularizers.l2(regularizer_rate))(dense1)
    dense2 = layers.Dropout(drop_rate)(dense2)
    outputs = layers.Dense(num_classes, activation='softmax', kernel_regularizer=regularizers.l2(regularizer_rate))(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)))

预测结果表明的类别请看博客 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仍是有区别，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，我的感受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