Tensorflow加載預(yù)訓(xùn)練模型和保存模型的實(shí)例

更新時(shí)間：2018年07月27日 14:32:24 作者：huachao1001

今天小編就為大家分享一篇Tensorflow加載預(yù)訓(xùn)練模型和保存模型的實(shí)例，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

使用tensorflow過(guò)程中，訓(xùn)練結(jié)束后我們需要用到模型文件。有時(shí)候，我們可能也需要用到別人訓(xùn)練好的模型，并在這個(gè)基礎(chǔ)上再次訓(xùn)練。這時(shí)候我們需要掌握如何操作這些模型數(shù)據(jù)?？赐瓯疚?，相信你一定會(huì)有收獲！

1 Tensorflow模型文件

我們?cè)赾heckpoint_dir目錄下保存的文件結(jié)構(gòu)如下：

|--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(jié)構(gòu)，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(jìn)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(guò)兩個(gè)文件保存,如：

MyModel.data-00000-of-00001
MyModel.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(gè)文本文件，里面記錄了保存的最新的checkpoint文件以及其它c(diǎn)heckpoint文件列表。在inference時(shí)，可以通過(guò)修改這個(gè)文件，指定使用哪個(gè)model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver類來(lái)保存模型，值得注意的是，在tensorflow中，變量是存在于Session環(huán)境中，也就是說(shuō)，只有在Session環(huán)境下才會(huì)存有變量值，因此，保存模型時(shí)需要傳入session：

saver = tf.train.Saver()
saver.save(sess,"./checkpoint_dir/MyModel")

看一個(gè)簡(jiǎn)單例子：

import tensorflow as tf

w1 = 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(zhí)行后，在checkpoint_dir目錄下創(chuàng)建模型文件如下：

checkpoint
MyModel.data-00000-of-00001
MyModel.index
MyModel.meta

另外，如果想要在1000次迭代后，再保存模型，只需設(shè)置global_step參數(shù)即可：

saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

保存的模型文件名稱會(huì)在后面加-1000,如下：

checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
MyModel-1000.meta

在實(shí)際訓(xùn)練中，我們可能會(huì)在每1000次迭代中保存一次模型數(shù)據(jù)，但是由于圖是不變的，沒(méi)必要每次都去保存，可以通過(guò)如下方式指定不保存圖：

saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)

另一種比較實(shí)用的是，如果你希望每2小時(shí)保存一次模型，并且只保存最近的5個(gè)模型文件：

tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)

注意：tensorflow默認(rèn)只會(huì)保存最近的5個(gè)模型文件，如果你希望保存更多，可以通過(guò)max_to_keep來(lái)指定

如果我們不對(duì)tf.train.Saver指定任何參數(shù)，默認(rèn)會(huì)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(guò)指定variables/collections。在創(chuàng)建tf.train.Saver實(shí)例時(shí)，通過(guò)將需要保存的變量構(gòu)造list或者dictionary，傳入到Saver中：

import tensorflow as tf
w1 = 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(dǎo)入訓(xùn)練好的模型

在第1小節(jié)中我們介紹過(guò)，tensorflow將圖和變量數(shù)據(jù)分開(kāi)保存為不同的文件。因此，在導(dǎo)入模型時(shí)，也要分為2步：構(gòu)造網(wǎng)絡(luò)圖和加載參數(shù)

3.1 構(gòu)造網(wǎng)絡(luò)圖

一個(gè)比較笨的方法是，手敲代碼，實(shí)現(xiàn)跟模型一模一樣的圖結(jié)構(gòu)。其實(shí)，我們既然已經(jīng)保存了圖，那就沒(méi)必要在去手寫(xiě)一次圖結(jié)構(gòu)代碼。

saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')

上面一行代碼，就把圖加載進(jìn)來(lái)了

3.2 加載參數(shù)

僅僅有圖并沒(méi)有用，更重要的是，我們需要前面訓(xùn)練好的模型參數(shù)（即weights、biases等），本文第2節(jié)提到過(guò)，變量值需要依賴于Session，因此在加載參數(shù)時(shí)，先要構(gòu)造好Session：

import tensorflow as tf
with 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(shí)，W1和W2加載進(jìn)了圖，并且可以被訪問(wèn)：

import tensorflow as tf
with 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(zhí)行后，打印如下：

[ 0.51480412 -0.56989086]

4 使用恢復(fù)的模型

前面我們理解了如何保存和恢復(fù)模型，很多時(shí)候，我們希望使用一些已經(jīng)訓(xùn)練好的模型，如prediction、fine-tuning以及進(jìn)一步訓(xùn)練等。這時(shí)候，我們可能需要獲取訓(xùn)練好的模型中的一些中間結(jié)果值，可以通過(guò)graph.get_tensor_by_name('w1:0')來(lái)獲取，注意w1:0是tensor的name。

假設(shè)我們有一個(gè)簡(jiǎn)單的網(wǎng)絡(luò)模型，代碼如下：

import tensorflow as tf


w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias") 

#定義一個(gè)op，用于后面恢復(fù)
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())

#創(chuàng)建一個(gè)Saver對(duì)象，用于保存所有變量
saver = tf.train.Saver()

#通過(guò)傳入數(shù)據(jù)，執(zhí)行op
print(sess.run(w4,feed_dict ={w1:4,w2:8}))
#打印 24.0 ==>(w1+w2)*b1

#現(xiàn)在保存模型
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下來(lái)我們使用graph.get_tensor_by_name()方法來(lái)操縱這個(gè)保存的模型。

import tensorflow as tf

sess=tf.Session()
#先加載圖和參數(shù)變量
saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))


# 訪問(wèn)placeholders變量，并且創(chuàng)建feed-dict來(lái)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(lái)，訪問(wèn)你想要執(zhí)行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

print(sess.run(op_to_restore,feed_dict))
#打印結(jié)果為60.0==>(13+17)*2

注意：保存模型時(shí)，只會(huì)保存變量的值，placeholder里面的值不會(huì)被保存

如果你不僅僅是用訓(xùn)練好的模型，還要加入一些op，或者說(shuō)加入一些layers并訓(xùn)練新的模型，可以通過(guò)一個(gè)簡(jiǎn)單例子來(lái)看如何操作：

import tensorflow as tf

sess = 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(wèn)placeholders變量，并且創(chuàng)建feed-dict來(lái)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(lái)，訪問(wèn)你想要執(zhí)行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

# 在當(dāng)前圖中能夠加入op
add_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(fù)圖的一部分，并且再加入其它的op用于fine-tuning。只需通過(guò)graph.get_tensor_by_name()方法獲取需要的op，并且在此基礎(chǔ)上建立圖，看一個(gè)簡(jiǎn)單例子，假設(shè)我們需要在訓(xùn)練好的VGG網(wǎng)絡(luò)使用圖，并且修改最后一層，將輸出改為2，用于fine-tuning新數(shù)據(jù)：

......
......
saver = tf.train.import_meta_graph('vgg.meta')
# 訪問(wèn)圖
graph = tf.get_default_graph() 

#訪問(wèn)用于fine-tuning的output
fc7= 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 function
fc7_shape= fc7.get_shape().as_list()

new_outputs=2
weights = 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) + biases
pred = tf.nn.softmax(output)

# Now, you run this with fine-tuning data in sess.run()

以上這篇Tensorflow加載預(yù)訓(xùn)練模型和保存模型的實(shí)例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: