Я успешно следую методике сохранения / восстановления моделей GPflow. Но теперь я наткнулся на загвоздку.
Когда я пытаюсь восстановить модель с помощью функции линейного среднего, восстановление завершается с ошибкой.
Я думаю, что проблема заключается в соглашении об именах объекта функции линейного среднего тензорного потока. Вышеупомянутый «-44dbadbb-0» является случайным и изменяется каждый раз при перестроении модели, поэтому, если я проверю имена тензоров при сохранении модели с помощью
from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file
print_tensors_in_checkpoint_file(file_name='./model.ckpt', tensor_name='', all_tensors=False)
Получаю возврат:
Linear-eeb5f9f3-0 / A / без ограничений (DT_DOUBLE) [1,1] Linear-eeb5f9f3-0 / b / без ограничений (DT_DOUBLE) [1] модель / X / dataholder (DT_DOUBLE) [15,1] model / Y / dataholder (DT_DOUBLE) [15,1] модель / ядро / ядра / 0 / lengthscales / без ограничений (DT_DOUBLE) [] model / kern / kernels / 0 / variance / без ограничений (DT_DOUBLE) [] model / kern / kernels / 1 / lengthscales / без ограничений (DT_DOUBLE) [] модель / ядро / ядра / 1 / дисперсия / без ограничений (DT_DOUBLE) [] модель / вероятность / дисперсия / без ограничений (DT_DOUBLE) []
Где линейная функция явно имеет другое имя, чем модель, которую пытается восстановить.
Я попытался исправить это, переименовав переменные перед восстановлением, но это не работает с тензорным потоком. Я также пробовал разные методы сохранения / восстановления, но потом у меня возникли проблемы с возможностью выборки из модели.
Сохранение модели
import gpflow
import numpy as np
import random
import tensorflow as tf
# define data
rng = np.random.RandomState(4)
X = rng.uniform(0, 5.0, 15)[:, np.newaxis]
Y = np.sin((X[:, 0] - 2.5) ** 2).reshape(len(X),1)
# define the mean function
mf = gpflow.mean_functions.Linear(np.ones((1,1)),np.zeros((1,)))
# create the GP model
with gpflow.defer_build():
k = gpflow.kernels.Matern32(1)+gpflow.kernels.RBF(1)
m = gpflow.models.GPR(X, Y, kern=k,name='model',mean_function=mf)
m.likelihood.variance = 1e-03
m.likelihood.trainable = False
tf.global_variables_initializer()
tf_session = m.enquire_session()
m.compile( tf_session )
gpflow.train.ScipyOptimizer().minimize(m)
saver = tf.train.Saver()
save_path = saver.save(tf_session, "./model.ckpt")
print("Model saved in path: %s" % save_path)
Восстановление модели
import gpflow
import numpy as np
import random
import tensorflow as tf
# define data
rng = np.random.RandomState(4)
X = rng.uniform(0, 5.0, 15)[:, np.newaxis]
Y = np.sin((X[:, 0] - 2.5) ** 2).reshape(len(X),1)
# define the mean function
mf = gpflow.mean_functions.Linear(np.ones((1,1)),np.zeros((1,)))
with gpflow.defer_build():
k = gpflow.kernels.Matern32(1)+gpflow.kernels.RBF(1)
m = gpflow.models.GPR(X, Y, kern=k,name='model',mean_function=mf)
m.likelihood.variance = 1e-03
m.likelihood.trainable = False
# construct and compile the tensorflow session
tf.global_variables_initializer()
tf_session = m.enquire_session()
m.compile( tf_session )
saver = tf.train.Saver()
save_path = saver.restore(tf_session, "./model.ckpt")
print("Model loaded from path: %s" % save_path)
m.anchor(tf_session)
Код вылетает на save_path = saver.restore(tf_session, "./model.ckpt")
с ошибкой:
NotFoundError (см. Выше для трассировки): Key Linear-44dbadbb-0 / A / Unlimited не найден в контрольной точке ...