KerasのLambdaレイヤーの引数をループ内で変えるときにハマった話
Posted On 2019-11-09
新刊情報
技術書典8の新刊『モザイク除去から学ぶ 最先端のディープラーニング』（A4・195ページ）好評通販中です！ 機械学習の入門からGANの最先端までを書いたおすすめの本となっています！ Boothで試し読みできます。情報まとめ・質問用GitHub
KerasのLambdaレイヤーはとても便利で、自作の関数ほか、TensorFlowの組み込みの強力な関数もレイヤーとして扱うことができます。しかし、ループごとに引数を変えながらLambdaレイヤーでラップするようなケースでハマってしまいました。depth_to_spaceを例に見ていきます。
環境：TensorFlow 2.0.0
tf.nn.depth_to_space
ちょうどこの関数を使っていたときでした。まずtf.nn.depth_to_spaceが何かというと、
tf.nn.depth_to_space(inputs, b)
という関数を考えるとしましょう。inputsのshapeが$(B,H,W,C)$のときに、$(B,Hb,Wb,C/b^2)$という変換をするのがdepth_to_space関数です。
この関数が何が嬉しいのかというと、アップサンプリングに使えます。そしてこの変換はPixelShuffleと同じ感覚で使えます（係数を持ったアップサンプリングで、バイキュービック法よりも高度な方法ぐらいに思っておいてください）。PyTorchのドキュメントでは、Pixel Shuffleのレイヤーで全く同じshapeの変換をしています。
一例を示しましょう。
import tensorflow as tf
def depth_to_space():
x = tf.random.normal((16, 64, 64, 12))
y = tf.nn.depth_to_space(x, 2)
print(y.shape) # (16, 128, 128, 3)
depth_to_spaceによって、チャンネル方向が圧縮され、解像度が2倍になっているのがわかります。
「こんなんで本当にアップサンプリングできるの？」と思うかもしれませんが、ニューラルネットワークの最適化の過程でアップサンプリングされます。気になる方はPixel Shuffleの論文を読んでみてください。
Lambdaレイヤーで使う
depth_to_spaceをアップサンプリング目的で、Kerasのモデルに組み込むことはもちろんできます。TensorFlowの関数なので、KerasのLambdaレイヤーを使いましょう。
例えば、画像を入力し、画像を出力するモデルでこういうやりたくなります。ただし、以下は間違った例です。
import tensorflow as tf
import tensorflow.keras.layers as layers
def subpixel_conv_model():
inputs = layers.Input((256, 256, 3))
convs = []
for i in range(6):
# 解像度に合わせてダウンサンプリング
if i != 0:
x = layers.AveragePooling2D(2 ** i)(inputs)
else:
x = inputs
# チャンネル数をあわせる
x = layers.Conv2D(3 * 4 ** i, 3, padding="same")(x)
x = layers.BatchNormalization()(x)
x = layers.ReLU()(x)
# Pixel shuffleでアップサンプリング
if i != 0:
x = layers.Lambda(lambda z: tf.nn.depth_to_space(z, 2 ** i))(x) # ここがダメ
convs.append(x)
print(x) # 確認用
# すべてのレイヤーをまとめる
x = layers.Concatenate()(convs)
x = layers.Conv2D(3, 3, padding="same")(x)
x = layers.Activation("sigmoid")(x) # 出力は画像
return tf.keras.models.Model(inputs, x)
Encoder-Decoderではなくて、Encoder部分をAveragePoolingとした複数のFCNで組み合わせる変わったモデルかもしれませんが、その点は今はおいておきましょう。問題があるのはLambdaレイヤーの部分です。
これはモデルを組むだけなら成功します。そしてmodel.summaryも正しく表示されます。
def main():
model = subpixel_conv_model()
model.summary()
if __name__ == "__main__":
main()
Tensor("re_lu/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_1/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_2/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_3/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_4/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, 256, 256, 3) 0
__________________________________________________________________________________________________
average_pooling2d (AveragePooli (None, 128, 128, 3) 0 input_1[0][0]
__________________________________________________________________________________________________
average_pooling2d_1 (AveragePoo (None, 64, 64, 3) 0 input_1[0][0]
__________________________________________________________________________________________________
average_pooling2d_2 (AveragePoo (None, 32, 32, 3) 0 input_1[0][0]
__________________________________________________________________________________________________
average_pooling2d_3 (AveragePoo (None, 16, 16, 3) 0 input_1[0][0]
__________________________________________________________________________________________________
average_pooling2d_4 (AveragePoo (None, 8, 8, 3) 0 input_1[0][0]
__________________________________________________________________________________________________
conv2d_1 (Conv2D) (None, 128, 128, 12) 336 average_pooling2d[0][0]
__________________________________________________________________________________________________
conv2d_2 (Conv2D) (None, 64, 64, 48) 1344 average_pooling2d_1[0][0]
__________________________________________________________________________________________________
conv2d_3 (Conv2D) (None, 32, 32, 192) 5376 average_pooling2d_2[0][0]
__________________________________________________________________________________________________
conv2d_4 (Conv2D) (None, 16, 16, 768) 21504 average_pooling2d_3[0][0]
__________________________________________________________________________________________________
conv2d_5 (Conv2D) (None, 8, 8, 3072) 86016 average_pooling2d_4[0][0]
__________________________________________________________________________________________________
conv2d (Conv2D) (None, 256, 256, 3) 84 input_1[0][0]
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 128, 128, 12) 48 conv2d_1[0][0]
__________________________________________________________________________________________________
batch_normalization_2 (BatchNor (None, 64, 64, 48) 192 conv2d_2[0][0]
__________________________________________________________________________________________________
batch_normalization_3 (BatchNor (None, 32, 32, 192) 768 conv2d_3[0][0]
__________________________________________________________________________________________________
batch_normalization_4 (BatchNor (None, 16, 16, 768) 3072 conv2d_4[0][0]
__________________________________________________________________________________________________
batch_normalization_5 (BatchNor (None, 8, 8, 3072) 12288 conv2d_5[0][0]
__________________________________________________________________________________________________
batch_normalization (BatchNorma (None, 256, 256, 3) 12 conv2d[0][0]
__________________________________________________________________________________________________
re_lu_1 (ReLU) (None, 128, 128, 12) 0 batch_normalization_1[0][0]
__________________________________________________________________________________________________
re_lu_2 (ReLU) (None, 64, 64, 48) 0 batch_normalization_2[0][0]
__________________________________________________________________________________________________
re_lu_3 (ReLU) (None, 32, 32, 192) 0 batch_normalization_3[0][0]
__________________________________________________________________________________________________
re_lu_4 (ReLU) (None, 16, 16, 768) 0 batch_normalization_4[0][0]
__________________________________________________________________________________________________
re_lu_5 (ReLU) (None, 8, 8, 3072) 0 batch_normalization_5[0][0]
__________________________________________________________________________________________________
re_lu (ReLU) (None, 256, 256, 3) 0 batch_normalization[0][0]
__________________________________________________________________________________________________
lambda (Lambda) (None, 256, 256, 3) 0 re_lu_1[0][0]
__________________________________________________________________________________________________
lambda_1 (Lambda) (None, 256, 256, 3) 0 re_lu_2[0][0]
__________________________________________________________________________________________________
lambda_2 (Lambda) (None, 256, 256, 3) 0 re_lu_3[0][0]
__________________________________________________________________________________________________
lambda_3 (Lambda) (None, 256, 256, 3) 0 re_lu_4[0][0]
__________________________________________________________________________________________________
lambda_4 (Lambda) (None, 256, 256, 3) 0 re_lu_5[0][0]
__________________________________________________________________________________________________
concatenate (Concatenate) (None, 256, 256, 18) 0 re_lu[0][0]
lambda[0][0]
lambda_1[0][0]
lambda_2[0][0]
lambda_3[0][0]
lambda_4[0][0]
__________________________________________________________________________________________________
conv2d_6 (Conv2D) (None, 256, 256, 3) 489 concatenate[0][0]
__________________________________________________________________________________________________
activation (Activation) (None, 256, 256, 3) 0 conv2d_6[0][0]
==================================================================================================
Total params: 131,529
Trainable params: 123,339
Non-trainable params: 8,190
__________________________________________________________________________________________________
様々な解像度に対してFCNを組み合わせていますが、結局depth_to_spaceで256x256x3になるようにUpsamplingしているモデルです。
ところが、モデルをいざ実行すると突然エラーを出します。
def main():
model = subpixel_conv_model()
x = tf.random.uniform((8, 256, 256, 3))
y = model(x)
print(y.shape)
if __name__ == "__main__":
main()
x = layers.Lambda(lambda z: tf.nn.depth_to_space(z, 2 ** i))(x)
File "C:\Program Files\Python37\lib\site-packages\tensorflow_core\python\ops\array_ops.py", line 3271, in depth_to_space_v2
return gen_array_ops.depth_to_space(input, block_size, data_format, name=name)
File "C:\Program Files\Python37\lib\site-packages\tensorflow_core\python\ops\gen_array_ops.py", line 1724, in depth_to_space
_six.raise_from(_core._status_to_exception(e.code, message), None)
File "<string>", line 3, in raise_from
tensorflow.python.framework.errors_impl.InvalidArgumentError: Input depth dimension 12 should be divisible by: 1024 [Op:DepthToSpace]
summaryまであっていたのに謎ですよね。それにchが12（i=1）のケースで1024で割り切れないって謎ですよね。これはハマりました。
Lambdaのレイヤーがおかしい
おかしいのはこの部分です。このdepth_to_spaceに直接2のi乗を食わせているのがよくありません。
x = layers.Lambda(lambda z: tf.nn.depth_to_space(z, 2 ** i))(x)
iはループ中に0, 1, 2と変わっていきますが、これだとループを通してiの参照がすべて同じになってしまいます。つまり、iが1だろうが2だろうが、最後に代入されたi=5で評価されていることになります。正しくはこうします。
x = layers.Lambda(tf.nn.depth_to_space, arguments={"block_size": 2**i})(x) # 正しい例
Pythonのlambda関数内の引数に直接代入するのではなく、KerasのLambdaレイヤーのargumentsの引数にKVSで放り込みましょう。これによってループごとに別々の値で評価されるようになります。
先程のコードでも正しい出力が返されます。
Tensor("re_lu/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_1/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_2/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_3/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
Tensor("lambda_4/Identity:0", shape=(None, 256, 256, 3), dtype=float32)
(8, 256, 256, 3)
JavaScriptのクロージャーみたいなハマり方ですね。
まとめ
Lambdaレイヤーの引数をループカウンターなどで変化させる場合は、arguments引数を使う。
自作の関数だと思いだしても、TensorFlowの組み込み関数を使うときには忘れがちな要素だと思います。
新刊情報
技術書典8の新刊『モザイク除去から学ぶ 最先端のディープラーニング』好評通販中（A4・195ページ）です！ Boothで試し読みもできるのでよろしくね！
【一般同人】「じゅ～しぃ～すくりぷと」の『モザイク除去から学ぶ 最先端のディープラーニング』が3Fにて好評販売中！今作は誰もが夢見る"モザイク除去"を起点として機械学習・ディープラーニングの知識をたっぷり学べる注目作品。初心者向けの話題からマニアックな情報まで網羅しております！！ pic.twitter.com/HX1wAXESod
— とらのあな 秋葉原店A (@tora_akiba_a) March 8, 2020
これが君の望んでいる、「ディープラーニング－ロマン－」
— こしあん@技術書典8 Day2 あ03 委託 (@js_koshian2) March 22, 2020
誰もが夢見る「モザイク除去」から機械学習を学ぼう。ご好評につき鋭意増刷中！
Booth：https://t.co/d2oXBf0kQ6
とら：https://t.co/5P0HJ7r8sL
試し読み：https://t.co/1z2XScVNsz#技術書典 pic.twitter.com/tttO6VnTXG
- Booth（物理、電子版）：https://koshian2.booth.pm/items/1835219
- とらのあな（物理版：お急ぎの場合はとらのあなをお使いください。Boothよりも物理本の到着が早いです（即日で発送されます）。電子版プレゼントキャンペーンもあります ：https://ec.toranoana.shop/tora/ec/item/040030818462/
- メロンブックス（物理版）https://www.melonbooks.co.jp/detail/detail.php?product_id=670234（電子版とセットになります）
- 感想・情報まとめ・質問用：https://github.com/koshian2/MosaicDeeplearningBook