导入FaceNet的一些坑

简介

FacenNet是谷歌提出的一种新的人脸识别的方法，该方法在LFW数据集上的准确度已经达到了99.65%。

FaceNet论文

FaceNet实现

正文

上个周末，Milo在FaceNet的导入上踩了整整两天的坑，包括开发环境，源代码报错，运行异常等等。希望本文的粗糙填坑可以帮助到更多和Milo一样的人工智障爱好者和初学者。

• 开发环境（显卡：GeForce RTX 2060 6G）

• 代码需要修改的地方：

但凡需要用到GPU的地方都加上：

# session中
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=args.gpu_memory_fraction)
    sess = tf.Session(
                config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))

# parse_arguments(argv)中
parser.add_argument('--gpu_memory_fraction', type=float,
                       help='Upper bound on the amount of GPU memory that will be used by the process.', default=0.5)

facenet.py中：

# create_input_pipeline(input_queue, image_size, nrof_preprocess_threads, batch_size_placeholder)中，所有代码都缩进到scope内。
with tf.name_scope('tempscope'):

detect_face.py中：

# 87行附近，添加allow_pickle=True。
data_dict = np.load(data_path, allow_pickle=True, encoding='latin1').item() # pylint: disable=no-member

• 坑一：

Attempting to use uninitialized value InceptionResnetV1/Repeat_1/block17_4/Branch_1/Conv2d_0b_1x7/weights

解决方案：启动参数设置成具体的模型.pb文件。如果设置成文件夹，程序会使用ckpt和meta文件，于是就会出现各种Attempting to use uninitialized value的情况。

• 坑二：

Loaded runtime CuDNN library: 7600 (compatibility version 7600) but source was compiled with 7102 (compatibility version 7100). If using a binary install, upgrade your CuDNN library to match. If building from sources, make sure the library loaded at runtime matches a compatible version specified during compile configuration.

解决方案：将cudnn版本降至7.1.2。Milo在Anaconda环境中尝试了各种版本，其中7.1.3和7.0.5不会报这个错，但是7.1.3会自动安装CUDA8.0版本，7.0.5又会出现其他异常，所以在Milo的电脑上只能选择7.1.2版本。

• 坑三：

Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA

解决方案：下载官方Tensorflow源文件进行重新编译和安装。(在此，Milo未做处理，因为这是个Warning，当时只做了方案查询，还有大坑需要填。)

• 坑四：

freeze_graph.py用途

总结：在长时间无法解决>>坑二<<的情况下，总感觉应该寻找载入参数的办法。这和常规Python开发真的有很大不同，正常情况下在命令行自定义参数即可，可这是神经网络的参数，如何将模型中的参数载入呢？山穷水复疑无路，柳暗花明又一村！Milo搜索了freeze_graph.py的用途，发现训练好的模型正是通过此文件将参数整合到模型中，最终生成.pb文件。所以，>>坑二<<顺其自然地解决了！

• 坑五：

could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR

实际情况一：当tensorflow-gpu版本>1.8时就会出现这个异常。

实际情况二：看到CUDNN_OOXX_OOXX时，在代码中设置session的gpu_options可以解决部分问题。

• 坑六：

InternalError (see above for traceback): Blas SGEMM launch failed

总结：要么显卡太新，要么CUDNN版本问题。

 
本文内容转自冰部落，仅供学习交流，版权归原作者所有，如涉及侵权，请联系删除。

声明：
本平台/个人所提供的关于股票的信息、分析和讨论，仅供投资者进行研究和参考之用。
我们不对任何股票进行明确的买入或卖出推荐。
投资者在做出投资决策时，应自行进行充分的研究和分析，并谨慎评估自己的风险承受能力和投资目标。
投资有风险，入市需谨慎。请投资者根据自身的判断和风险承受能力，自主决策，理性投资。