如何修改TensorFlow-Hub模块中的可训练tf.Variables以使用自定义内核初始化器？

Question

我想从头开始训练一个InceptionV3神经网络。我已经有一个正在运行的实现，它利用这个TensorFlow集线器模块：https://tfhub.dev/google/imagenet/inception_v3/feature_vector/1，并利用包含的预先训练好的权重执行微调。

我现在想使用the same TensorFlow Hub module，但放弃了提供的权重，并使用我自己的内核初始化器(例如，tf.initializers.truncated_normal，tf.initializers.he_normal等)。

如何修改TFHub模块中的可训练变量以使用自定义初始化器？为了清楚起见，我希望在运行时替换预先训练好的权重，并且只保留模型架构。如果我真的应该使用TFSlim或者模型动物园，请让我知道。

这是我到目前为止所知道的：

import tensorflow as tf
import tensorflow_hub as hub

tfhub_module_url = 'https://tfhub.dev/google/imagenet/inception_v3/feature_vector/1'
initializer = tf.truncated_normal

def main(_):
    _graph = tf.Graph()
    with _graph.as_default():
        module_spec = hub.load_module_spec(tfhub_module_url)
        height, width = hub.get_expected_image_size(module_spec)
        resized_input_tensor = tf.placeholder(tf.float32, [None, height, width, 3], name='resized_input_tensor')
        m = hub.Module(module_spec, trainable=True)
        bottleneck_tensor = m(resized_input_tensor)
        trainable_vars = tf.trainable_variables()
        # TODO: This fails, because this probably isn't how this is supposed to be done:
        for trainable_var in trainable_vars:
            trainable_var.initializer = tf.initializers.he_normal

    with tf.Session(graph=_graph) as sess:
        print(trainable_vars)


tf.logging.set_verbosity(tf.logging.INFO)
tf.app.run()

这样做的正确方法是什么？

Answer 1

没有直接的方法来做你想做的事情，因为TF Hub模块实际上是为了表示预先训练的模型片段而构建的。如果你只想要图形，你可以直接使用tensorflow_models/slim代码。(或者，您可以修补tensorflow_hub库代码，使其不会在一开始就使用还原操作重新连接变量初始化器。)

编辑2019-04-15:另请参阅tensorflow_hub issue #267：在TF2中，初始化器的概念正在消失，因此TF Hub的作者不想在TF1应用程序接口中依赖它。