使用tensorflow過程中，訓練結束后我們需要用到模型文件。有時候，我們可能也需要用到別人訓練好的模型，并在這個基礎上再次訓練。這時候我們需要掌握如何操作這些模型數據?？赐瓯疚?，相信你一定會有收獲！
1 Tensorflow模型文件
我們在checkpoint_dir目錄下保存的文件結構如下：
|
1
2
3
4
5
|
|--checkpoint_dir| |--checkpoint| |--MyModel.meta| |--MyModel.data-00000-of-00001| |--MyModel.index |
1.1 meta文件
MyModel.meta文件保存的是圖結構，meta文件是pb（protocol buffer）格式文件，包含變量、op、集合等。
1.2 ckpt文件
ckpt文件是二進制文件，保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通過兩個文件保存,如：
|
1
2
|
MyModel.data-00000-of-00001MyModel.index |
1.3 checkpoint文件
我們還可以看，checkpoint_dir目錄下還有checkpoint文件，該文件是個文本文件，里面記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時，可以通過修改這個文件，指定使用哪個model
2 保存Tensorflow模型
tensorflow 提供了tf.train.Saver類來保存模型，值得注意的是，在tensorflow中，變量是存在于Session環境中，也就是說，只有在Session環境下才會存有變量值，因此，保存模型時需要傳入session：
|
1
2
|
saver = tf.train.Saver()saver.save(sess,"./checkpoint_dir/MyModel") |
看一個簡單例子：
|
1
2
3
4
5
6
7
8
|
import tensorflow as tfw1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')saver = tf.train.Saver()sess = tf.Session()sess.run(tf.global_variables_initializer())saver.save(sess, './checkpoint_dir/MyModel') |
執行后，在checkpoint_dir目錄下創建模型文件如下：
|
1
2
3
4
|
checkpointMyModel.data-00000-of-00001MyModel.indexMyModel.meta |
另外，如果想要在1000次迭代后，再保存模型，只需設置global_step參數即可：
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)
保存的模型文件名稱會在后面加-1000,如下：
|
1
2
3
4
|
checkpointMyModel-1000.data-00000-of-00001MyModel-1000.indexMyModel-1000.meta |
在實際訓練中，我們可能會在每1000次迭代中保存一次模型數據，但是由于圖是不變的，沒必要每次都去保存，可以通過如下方式指定不保存圖：
|
1
|
saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False) |
另一種比較實用的是，如果你希望每2小時保存一次模型，并且只保存最近的5個模型文件：
|
1
|
tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2) |
注意：tensorflow默認只會保存最近的5個模型文件，如果你希望保存更多，可以通過max_to_keep來指定
如果我們不對tf.train.Saver指定任何參數，默認會保存所有變量。如果你不想保存所有變量，而只保存一部分變量，可以通過指定variables/collections。在創建tf.train.Saver實例時，通過將需要保存的變量構造list或者dictionary，傳入到Saver中：
|
1
2
3
4
5
6
7
|
import tensorflow as tfw1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')saver = tf.train.Saver([w1,w2])sess = tf.Session()sess.run(tf.global_variables_initializer())saver.save(sess, './checkpoint_dir/MyModel',global_step=1000) |
3 導入訓練好的模型
在第1小節中我們介紹過，tensorflow將圖和變量數據分開保存為不同的文件。因此，在導入模型時，也要分為2步：構造網絡圖和加載參數
3.1 構造網絡圖
一個比較笨的方法是，手敲代碼，實現跟模型一模一樣的圖結構。其實，我們既然已經保存了圖，那就沒必要在去手寫一次圖結構代碼。
|
1
|
saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta') |
上面一行代碼，就把圖加載進來了
3.2 加載參數
僅僅有圖并沒有用，更重要的是，我們需要前面訓練好的模型參數（即weights、biases等），本文第2節提到過，變量值需要依賴于Session，因此在加載參數時，先要構造好Session：
|
1
2
3
4
|
import tensorflow as tfwith tf.Session() as sess: new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta') new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir')) |
此時，W1和W2加載進了圖，并且可以被訪問：
|
1
2
3
4
5
6
|
import tensorflow as tfwith tf.Session() as sess: saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta') saver.restore(sess,tf.train.latest_checkpoint('./checkpoint_dir')) print(sess.run('w1:0'))##Model has been restored. Above statement will print the saved value |
執行后，打印如下：
|
1
|
[ 0.51480412 -0.56989086] |
4 使用恢復的模型
前面我們理解了如何保存和恢復模型，很多時候，我們希望使用一些已經訓練好的模型，如prediction、fine-tuning以及進一步訓練等。這時候，我們可能需要獲取訓練好的模型中的一些中間結果值，可以通過graph.get_tensor_by_name('w1:0')來獲取，注意w1:0是tensor的name。
假設我們有一個簡單的網絡模型，代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
import tensorflow as tfw1 = tf.placeholder("float", name="w1")w2 = tf.placeholder("float", name="w2")b1= tf.Variable(2.0,name="bias") #定義一個op，用于后面恢復w3 = tf.add(w1,w2)w4 = tf.multiply(w3,b1,name="op_to_restore")sess = tf.Session()sess.run(tf.global_variables_initializer())#創建一個Saver對象，用于保存所有變量saver = tf.train.Saver()#通過傳入數據，執行opprint(sess.run(w4,feed_dict ={w1:4,w2:8}))#打印 24.0 ==>(w1+w2)*b1#現在保存模型saver.save(sess, './checkpoint_dir/MyModel',global_step=1000) |
接下來我們使用graph.get_tensor_by_name()方法來操縱這個保存的模型。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
import tensorflow as tfsess=tf.Session()#先加載圖和參數變量saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))# 訪問placeholders變量，并且創建feed-dict來作為placeholders的新值graph = tf.get_default_graph()w1 = graph.get_tensor_by_name("w1:0")w2 = graph.get_tensor_by_name("w2:0")feed_dict ={w1:13.0,w2:17.0}#接下來，訪問你想要執行的opop_to_restore = graph.get_tensor_by_name("op_to_restore:0")print(sess.run(op_to_restore,feed_dict))#打印結果為60.0==>(13+17)*2 |
注意：保存模型時，只會保存變量的值，placeholder里面的值不會被保存
如果你不僅僅是用訓練好的模型，還要加入一些op，或者說加入一些layers并訓練新的模型，可以通過一個簡單例子來看如何操作：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import tensorflow as tfsess = tf.Session()# 先加載圖和變量saver = tf.train.import_meta_graph('my_test_model-1000.meta')saver.restore(sess, tf.train.latest_checkpoint('./'))# 訪問placeholders變量，并且創建feed-dict來作為placeholders的新值graph = tf.get_default_graph()w1 = graph.get_tensor_by_name("w1:0")w2 = graph.get_tensor_by_name("w2:0")feed_dict = {w1: 13.0, w2: 17.0}#接下來，訪問你想要執行的opop_to_restore = graph.get_tensor_by_name("op_to_restore:0")# 在當前圖中能夠加入opadd_on_op = tf.multiply(op_to_restore, 2)print (sess.run(add_on_op, feed_dict))# 打印120.0==>(13+17)*2*2 |
如果只想恢復圖的一部分，并且再加入其它的op用于fine-tuning。只需通過graph.get_tensor_by_name()方法獲取需要的op，并且在此基礎上建立圖，看一個簡單例子，假設我們需要在訓練好的VGG網絡使用圖，并且修改最后一層，將輸出改為2，用于fine-tuning新數據：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
............saver = tf.train.import_meta_graph('vgg.meta')# 訪問圖graph = tf.get_default_graph() #訪問用于fine-tuning的outputfc7= graph.get_tensor_by_name('fc7:0')#如果你想修改最后一層梯度，需要如下fc7 = tf.stop_gradient(fc7) # It's an identity functionfc7_shape= fc7.get_shape().as_list()new_outputs=2weights = tf.Variable(tf.truncated_normal([fc7_shape[3], num_outputs], stddev=0.05))biases = tf.Variable(tf.constant(0.05, shape=[num_outputs]))output = tf.matmul(fc7, weights) + biasespred = tf.nn.softmax(output)# Now, you run this with fine-tuning data in sess.run() |
以上這篇Tensorflow加載預訓練模型和保存模型的實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/huachao1001/article/details/78501928
