欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

TensorFlow 模型載入方法匯總(小結(jié))

 更新時(shí)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(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)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(shuō)明 默認(rèn)值
var_list Saver中存儲(chǔ)變量集合 全局變量集合
reshape 加載時(shí)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(diǎn)個(gè)數(shù) 5
restore_sequentially 是否按順序恢復(fù)變量,模型較大時(shí)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(hào)},相對(duì)應(yīng)的restore也根據(jù)同樣形式的字典將ckpt中的字符串對(duì)應(yīng)的變量加載給程序中的符號(hào)。

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

加載模型

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

checkpoint文件會(huì)記錄保存信息,通過(guò)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(huì)加載圖結(jié)構(gòu),并返回saver對(duì)象

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

tf.train.Saver函數(shù)會(huì)返回加載默認(rèn)圖的saver對(duì)象,saver對(duì)象初始化時(shí)可以指定變量映射方式,根據(jù)名字映射變量(『TensorFlow』滑動(dòng)平均)

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

saver.restore函數(shù)給出model.ckpt-n的路徑后會(huì)自動(dòng)尋找參數(shù)名-值文件進(jìn)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(shí)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?cè)趓estore時(shí)可能希望修改,但是圖結(jié)構(gòu)在train時(shí)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(gè)默認(rèn)圖(建議使用上下文環(huán)境),利用這個(gè)新圖修改和變量無(wú)關(guān)的參值大小,從而達(dá)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(diǎn)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(bào)錯(cuò)
  # 否則會(huì)提示沒(méi)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(wú)需加載python定義的結(jié)構(gòu),直接使用節(jié)點(diǎn)名稱加載模型
由于節(jié)點(diǎn)形狀已經(jīng)定下來(lái)了,所以有不便之處,placeholder定義batch后單張傳會(huì)報(bào)錯(cuò)
現(xiàn)階段不推薦使用,以后如果理解深入了可能會(huì)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(guò)檢查點(diǎn)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(gè)文件中,不過(guò)restore會(huì)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(guò)調(diào)用節(jié)點(diǎn)名稱使用節(jié)點(diǎn)輸出張量,節(jié)點(diǎn).name屬性返回節(jié)點(diǎn)名稱。

3.簡(jiǎn)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(guò)需要注意,Saver對(duì)象實(shí)例化之前需要定義好新的圖結(jié)構(gòu),否則會(huì)報(bào)錯(cuò)
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(jìn)制模型加載方法

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

# 新建空白圖
self.graph = tf.Graph()
# 空白圖列為默認(rèn)圖
with self.graph.as_default():
 # 二進(jìn)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(shí)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(bǔ)充一個(gè)基礎(chǔ)知識(shí),形如'conv1'是節(jié)點(diǎn)名稱,而'conv1:0'是張量名稱,表示節(jié)點(diǎn)的第一個(gè)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?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

  • 一款強(qiáng)大的端到端測(cè)試工具Playwright介紹

    一款強(qiáng)大的端到端測(cè)試工具Playwright介紹

    這篇文章主要為大家介紹了一款強(qiáng)大的端到端測(cè)試工具Playwright介紹,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪
    2023-01-01
  • Python+OpenCV實(shí)現(xiàn)定位二維碼

    Python+OpenCV實(shí)現(xiàn)定位二維碼

    這篇文章主要為大家詳細(xì)介紹了如何利用Python和OpenCV實(shí)現(xiàn)定位二維碼功能,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下
    2023-12-12
  • Python實(shí)現(xiàn)將視頻按照時(shí)間維度剪切

    Python實(shí)現(xiàn)將視頻按照時(shí)間維度剪切

    這篇文章主要為大家詳細(xì)介紹了如何利用Python實(shí)現(xiàn)將視頻按照時(shí)間維度進(jìn)行剪切,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起了解一下
    2022-12-12
  • Python+Pygame實(shí)現(xiàn)懷舊游戲飛機(jī)大戰(zhàn)

    Python+Pygame實(shí)現(xiàn)懷舊游戲飛機(jī)大戰(zhàn)

    第一次見(jiàn)到飛機(jī)大戰(zhàn)是在小學(xué)五年級(jí)下半學(xué)期的時(shí)候,這個(gè)游戲中可以說(shuō)包含了幾乎所有我目前可接觸到的pygame知識(shí)。本文就來(lái)利用Pygame實(shí)現(xiàn)飛機(jī)大戰(zhàn)游戲,需要的可以參考一下
    2022-11-11
  • python中如何實(shí)現(xiàn)徑向基核函數(shù)

    python中如何實(shí)現(xiàn)徑向基核函數(shù)

    這篇文章主要介紹了python中如何實(shí)現(xiàn)徑向基核函數(shù)問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-02-02
  • python print出共軛復(fù)數(shù)的方法詳解

    python print出共軛復(fù)數(shù)的方法詳解

    在本篇內(nèi)容里小編給大家分享的是關(guān)于python print出共軛復(fù)數(shù)的方法總結(jié)內(nèi)容,有需要的讀者們可以學(xué)習(xí)下。
    2019-06-06
  • 關(guān)于Python的一些學(xué)習(xí)總結(jié)

    關(guān)于Python的一些學(xué)習(xí)總結(jié)

    這篇文章主要介紹了關(guān)于Python的一些總結(jié),希望自己以后在學(xué)習(xí)Python的過(guò)程中可以邊學(xué)習(xí)邊總結(jié),就自己之前的學(xué)習(xí)先做以總結(jié),之后將不斷總結(jié)更新
    2018-05-05
  • python字典翻轉(zhuǎn)的實(shí)現(xiàn)

    python字典翻轉(zhuǎn)的實(shí)現(xiàn)

    本文主要介紹了python字典翻轉(zhuǎn)的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2023-05-05
  • python 對(duì)dataframe下面的值進(jìn)行大規(guī)模賦值方法

    python 對(duì)dataframe下面的值進(jìn)行大規(guī)模賦值方法

    今天小編就為大家分享一篇python 對(duì)dataframe下面的值進(jìn)行大規(guī)模賦值方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2018-06-06
  • Python3爬蟲中Selenium的用法詳解

    Python3爬蟲中Selenium的用法詳解

    在本篇內(nèi)容里小編給大家分享了關(guān)于Python3爬蟲中Selenium的用法詳解內(nèi)容,需要的朋友們可以參考下。
    2020-07-07

最新評(píng)論