TensorFlow 模型載入方法匯總(小結(jié))

更新時間：2018年06月19日 09:18:23 作者：疊加態(tài)的貓

這篇文章主要介紹了TensorFlow 模型載入方法匯總(小結(jié)),小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

一、TensorFlow常規(guī)模型加載方法

保存模型

tf.train.Saver()類，.save(sess, ckpt文件目錄)方法

參數(shù)名稱	功能說明	默認值
var_list	Saver中存儲變量集合	全局變量集合
reshape	加載時是否恢復(fù)變量形狀	True
sharded	是否將變量輪循放在所有設(shè)備上	True
max_to_keep	保留最近檢查點個數(shù)	5
restore_sequentially	是否按順序恢復(fù)變量，模型較大時順序恢復(fù)內(nèi)存消耗小	True

var_list是字典形式{變量名字符串: 變量符號}，相對應(yīng)的restore也根據(jù)同樣形式的字典將ckpt中的字符串對應(yīng)的變量加載給程序中的符號。

如果Saver給定了字典作為加載方式，則按照字典來，如：saver = tf.train.Saver({"v/ExponentialMovingAverage":v})，否則每個變量尋找自己的name屬性在ckpt中的對應(yīng)值進行加載。

加載模型

當(dāng)我們基于checkpoint文件(ckpt)加載參數(shù)時，實際上我們使用Saver.restore取代了initializer的初始化

checkpoint文件會記錄保存信息，通過它可以定位最新保存的模型：

ckpt = tf.train.get_checkpoint_state('./model/')
print(ckpt.model_checkpoint_path)

.meta文件保存了當(dāng)前圖結(jié)構(gòu)

.index文件保存了當(dāng)前參數(shù)名

.data文件保存了當(dāng)前參數(shù)值

tf.train.import_meta_graph函數(shù)給出model.ckpt-n.meta的路徑后會加載圖結(jié)構(gòu)，并返回saver對象

ckpt = tf.train.get_checkpoint_state('./model/')

tf.train.Saver函數(shù)會返回加載默認圖的saver對象，saver對象初始化時可以指定變量映射方式，根據(jù)名字映射變量(『TensorFlow』滑動平均)

saver = tf.train.Saver({"v/ExponentialMovingAverage":v})

saver.restore函數(shù)給出model.ckpt-n的路徑后會自動尋找參數(shù)名-值文件進行加載

saver.restore(sess,'./model/model.ckpt-0')
saver.restore(sess,ckpt.model_checkpoint_path)

1.不加載圖結(jié)構(gòu)，只加載參數(shù)

由于實際上我們參數(shù)保存的都是Variable變量的值，所以其他的參數(shù)值（例如batch_size）等，我們在restore時可能希望修改，但是圖結(jié)構(gòu)在train時一般就已經(jīng)確定了，所以我們可以使用tf.Graph().as_default()新建一個默認圖（建議使用上下文環(huán)境），利用這個新圖修改和變量無關(guān)的參值大小，從而達到目的。

'''
使用原網(wǎng)絡(luò)保存的模型加載到自己重新定義的圖上
可以使用python變量名加載模型，也可以使用節(jié)點名
'''
import AlexNet as Net
import AlexNet_train as train
import random
import tensorflow as tf
 
IMAGE_PATH = './flower_photos/daisy/5673728_71b8cb57eb.jpg'
 
with tf.Graph().as_default() as g:
 
 x = tf.placeholder(tf.float32, [1, train.INPUT_SIZE[0], train.INPUT_SIZE[1], 3])
 y = Net.inference_1(x, N_CLASS=5, train=False)
 
 with tf.Session() as sess:
  # 程序前面得有 Variable 供 save or restore 才不報錯
  # 否則會提示沒有可保存的變量
  saver = tf.train.Saver()
 
  ckpt = tf.train.get_checkpoint_state('./model/')
  img_raw = tf.gfile.FastGFile(IMAGE_PATH, 'rb').read()
  img = sess.run(tf.expand_dims(tf.image.resize_images(
   tf.image.decode_jpeg(img_raw),[224,224],method=random.randint(0,3)),0))
 
  if ckpt and ckpt.model_checkpoint_path:
   print(ckpt.model_checkpoint_path)
   saver.restore(sess,'./model/model.ckpt-0')
   global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
   res = sess.run(y, feed_dict={x: img})
   print(global_step,sess.run(tf.argmax(res,1)))

2.加載圖結(jié)構(gòu)和參數(shù)

'''
直接使用使用保存好的圖
無需加載python定義的結(jié)構(gòu)，直接使用節(jié)點名稱加載模型
由于節(jié)點形狀已經(jīng)定下來了，所以有不便之處，placeholder定義batch后單張傳會報錯
現(xiàn)階段不推薦使用，以后如果理解深入了可能會找到使用方法
'''
import AlexNet_train as train
import random
import tensorflow as tf
 
IMAGE_PATH = './flower_photos/daisy/5673728_71b8cb57eb.jpg'
 
 
ckpt = tf.train.get_checkpoint_state('./model/')       # 通過檢查點文件鎖定最新的模型
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path +'.meta') # 載入圖結(jié)構(gòu)，保存在.meta文件中
 
with tf.Session() as sess:
 saver.restore(sess,ckpt.model_checkpoint_path)      # 載入?yún)?shù)，參數(shù)保存在兩個文件中，不過restore會自己尋找
 
 img_raw = tf.gfile.FastGFile(IMAGE_PATH, 'rb').read()
 img = sess.run(tf.image.resize_images(
  tf.image.decode_jpeg(img_raw), train.INPUT_SIZE, method=random.randint(0, 3)))
 imgs = []
 for i in range(128):
  imgs.append(img)
 print(sess.run(tf.get_default_graph().get_tensor_by_name('fc3:0'),feed_dict={'Placeholder:0': imgs}))
 
 '''
 img = sess.run(tf.expand_dims(tf.image.resize_images(
  tf.image.decode_jpeg(img_raw), train.INPUT_SIZE, method=random.randint(0, 3)), 0))
 print(img)
 imgs = []
 for i in range(128):
  imgs.append(img)
 print(sess.run(tf.get_default_graph().get_tensor_by_name('conv1:0'),
     feed_dict={'Placeholder:0':img}))

注意，在所有兩種方式中都可以通過調(diào)用節(jié)點名稱使用節(jié)點輸出張量，節(jié)點.name屬性返回節(jié)點名稱。

3.簡化版本

# 連同圖結(jié)構(gòu)一同加載
ckpt = tf.train.get_checkpoint_state('./model/')
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path +'.meta')
with tf.Session() as sess:
 saver.restore(sess,ckpt.model_checkpoint_path)
    
# 只加載數(shù)據(jù)，不加載圖結(jié)構(gòu)，可以在新圖中改變batch_size等的值
# 不過需要注意，Saver對象實例化之前需要定義好新的圖結(jié)構(gòu)，否則會報錯
saver = tf.train.Saver()
with tf.Session() as sess:
 ckpt = tf.train.get_checkpoint_state('./model/')
 saver.restore(sess,ckpt.model_checkpoint_path)

二、TensorFlow二進制模型加載方法

這種加載方法一般是對應(yīng)網(wǎng)上各大公司已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型進行修改的工作

# 新建空白圖
self.graph = tf.Graph()
# 空白圖列為默認圖
with self.graph.as_default():
 # 二進制讀取模型文件
 with tf.gfile.FastGFile(os.path.join(model_dir,model_name),'rb') as f:
  # 新建GraphDef文件，用于臨時載入模型中的圖
  graph_def = tf.GraphDef()
  # GraphDef加載模型中的圖
  graph_def.ParseFromString(f.read())
  # 在空白圖中加載GraphDef中的圖
  tf.import_graph_def(graph_def,name='')
  # 在圖中獲取張量需要使用graph.get_tensor_by_name加張量名
  # 這里的張量可以直接用于session的run方法求值了
  # 補充一個基礎(chǔ)知識，形如'conv1'是節(jié)點名稱，而'conv1:0'是張量名稱，表示節(jié)點的第一個輸出張量
  self.input_tensor = self.graph.get_tensor_by_name(self.input_tensor_name)
  self.layer_tensors = [self.graph.get_tensor_by_name(name + ':0') for name in self.layer_operation_names]

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: