来自学习变量的预期张量流模型大小

在训练用于图像分类任务的卷积神经网络时，我们通常希望我们的算法能够学习将给定图像转换为其正确标签的滤波器（和偏差）。我有几个模型试图在模型大小、操作数量、准确性等方面进行比较。但是，从张量流输出的模型的大小，具体来说是模型.ckpt.数据存储图中所有变量值的文件不是我所期望的。事实上，它似乎大了三倍。

为了直接解决问题，我将根据我的问题thisJupyter 笔记本。下面是定义变量（权重和偏差）的部分：

# Store layers weight & bias
weights = {
# 5x5 conv, 1 input, 32 outputs
'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32]),dtype=tf.float32),
# 5x5 conv, 32 inputs, 64 outputs
'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64]),dtype=tf.float32),
# fully connected, 7*7*64 inputs, 1024 outputs
'wd1': tf.Variable(tf.random_normal([7*7*64, 1024]),dtype=tf.float32),
# 1024 inputs, 10 outputs (class prediction)
'out': tf.Variable(tf.random_normal([1024, num_classes]),dtype=tf.float32)
}

biases = {
'bc1': tf.Variable(tf.random_normal([32]),dtype=tf.float32),
'bc2': tf.Variable(tf.random_normal([64]),dtype=tf.float32),
'bd1': tf.Variable(tf.random_normal([1024]),dtype=tf.float32),
'out': tf.Variable(tf.random_normal([num_classes]),dtype=tf.float32)
}

我添加了几行以便在训练过程结束时保存模型：

# Save the model
save_path = saver.save(sess, logdir+"model.ckpt")
print("Model saved in file: %s" % save_path)

将所有这些变量相加，我们期望得到模型.ckpt.数据文件大小为 12.45Mb（我通过计算模型学习的浮点元素数量，然后将该值转换为兆字节来获得此文件）。但！这.data保存的文件大小为 39.3Mb。为什么是这样？

我对更复杂的网络（ResNet 的变体）采用了相同的方法，并且我预期的模型。数据大小也比实际大小小约 3 倍.data文件是.

所有这些变量的数据类型都是float32。

将所有这些变量加起来，我们预计会得到一个大小为 12.45Mb 的 model.ckpt.data 文件

传统上，大多数模型参数都位于第一个全连接层，在这种情况下wd1。仅计算其大小即可得出：

7*7*128 * 1024 * 4 = 25690112

... or 25.6Mb. Note 4系数，因为变量dtype=tf.float32, i.e. 4每个参数的字节数。其他层也会影响模型大小，但影响不大。

如您所见，您的估计12.45Mb is 有点关闭（每个参数你使用 16 位吗？）。检查点还存储一些一般信息，因此开销约为 25%，仍然很大，但不是 300%。

[Update]

该模型实际上具有 FC1 形状层[7*7*64, 1024]，正如已澄清的那样。所以上面计算出来的尺寸应该是12.5Mb， 的确。这让我更仔细地查看保存的检查点。

检查之后，我注意到了我最初错过的其他大变量：

...
Variable_2 (DT_FLOAT) [3136,1024]
Variable_2/Adam (DT_FLOAT) [3136,1024]
Variable_2/Adam_1 (DT_FLOAT) [3136,1024]
...

The Variable_2正是wd1，但是 Adam 优化器还有 2 个副本。这些变量是由创建的Adam 优化器，他们被称为slots并按住m and v累加器对于所有可训练变量。现在总大小有意义了。

您可以运行以下代码来计算图形变量的总大小 -37.47Mb:

var_sizes = [np.product(list(map(int, v.shape))) * v.dtype.size
             for v in tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)]
print(sum(var_sizes) / (1024 ** 2), 'MB')

所以开销实际上很小。额外的大小是由于优化器造成的。