我们能修剪一个预先训练过的模型吗？示例: MobileNetV2

Question

我试图修剪一个预先训练过的模型：MobileNetV2和我得到了这个错误。试着在网上搜索却听不懂。我在Google Colab上运行。

，这些是我的进口品.

import tensorflow as tf
import tensorflow_model_optimization as tfmot
import tensorflow_datasets as tfds
from tensorflow import keras

import os
import numpy as np
import matplotlib.pyplot as plt
import tempfile
import zipfile

这是我的代码.

model_1 = keras.Sequential([
    basemodel,
    keras.layers.GlobalAveragePooling2D(),
    keras.layers.Dense(1)                            
])

model_1.compile(optimizer='adam',
                loss=keras.losses.BinaryCrossentropy(from_logits=True),
                metrics=['accuracy'])

model_1.fit(train_batches,
            epochs=5,
            validation_data=valid_batches)

prune_low_magnitude = tfmot.sparsity.keras.prune_low_magnitude

pruning_params = {
    'pruning_schedule': tfmot.sparsity.keras.PolynomialDecay(initial_sparsity=0.50,
                                                             final_sparsity=0.80,
                                                             begin_step=0,
                                                             end_step=end_step)
}


model_2 = prune_low_magnitude(model_1, **pruning_params)

model_2.compile(optmizer='adam',
                loss=keres.losses.BinaryCrossentropy(from_logits=True),
                metrics=['accuracy'])

，这是我遇到的错误。

---> 12 model_2 = prune_low_magnitude(model, **pruning_params)

ValueError: Please initialize `Prune` with a supported layer. Layers should either be a `PrunableLayer` instance, or should be supported by the PruneRegistry. You passed: <class 'tensorflow.python.keras.engine.training.Model'>

Answer 1

我相信您正在跟踪Pruning in Keras Example并跳到Fine-tune pre-trained model with pruning部分，而没有设置可调整的层。您必须恢复模型并将希望设置为prunable的层设置为。有关如何设置可调整层的进一步信息，请参阅本指南。

guide.md

Answer 2

我也面临着同样的问题：

• tensorflow版本：2.2.0

只是将tensorflow的版本更新为2.3.0解决了这个问题，我认为Tensorflow在2.3.0中增加了对这个特性的支持。

Answer 3

我发现的一件事是，我添加到我的模型中的实验预处理是抛出这个错误。在我的模型开始时，我使用了这个来帮助添加更多的训练样本，但是keras剪枝代码不喜欢这样的子类模型。类似地，代码不像我对图像的对中那样喜欢实验的预处理。将预处理从模型中删除，为我解决了这个问题。

def classificationModel(trainImgs, testImgs):
  L2_lambda = 0.01
  data_augmentation = tf.keras.Sequential(
  [ layers.experimental.preprocessing.RandomFlip("horizontal", input_shape=IM_DIMS),
    layers.experimental.preprocessing.RandomRotation(0.1),
    layers.experimental.preprocessing.RandomZoom(0.1),])

  model = tf.keras.Sequential()
  model.add(data_augmentation)
  model.add(layers.experimental.preprocessing.Rescaling(1./255, input_shape=IM_DIMS))
...