Tensorflow加載預訓練模型和保存模型的實例
使用tensorflow過程中，訓練結(jié)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(chǔ)上再次訓練。這時候我們需要掌握如何操作這些模型數(shù)據(jù)。看完本文，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(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：
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(huán)境中，也就是說，只有在Session環(huán)境下才會存有變量值，因此，保存模型時需要傳入session：
saver = tf.train.Saver() saver.save(sess,"./checkpoint_dir/MyModel")
看一個簡單例子：
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在后面加-1000,如下：
checkpoint MyModel-1000.data-00000-of-00001 MyModel-1000.index MyModel-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(shù)據(jù)，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：
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：
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(shù)，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(chuàng)建tf.train.Saver實例時，通過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 導入訓練好的模型
在第1小節(jié)中我們介紹過，tensorflow將圖和變量數(shù)據(jù)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(gòu)造網(wǎng)絡(luò)圖和加載參數(shù)
3.1 構(gòu)造網(wǎng)絡(luò)圖
一個比較笨的方法是，手敲代碼，實現(xiàn)跟模型一模一樣的圖結(jié)構(gòu)。其實，我們既然已經(jīng)保存了圖，那就沒必要在去手寫一次圖結(jié)構(gòu)代碼。
saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
上面一行代碼，就把圖加載進來了
3.2 加載參數(shù)
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(shù)（即weights、biases等），本文第2節(jié)提到過，變量值需要依賴于Session，因此在加載參數(shù)時，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，W1和W2加載進了圖，并且可以被訪問：
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(jīng)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(jié)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(shè)我們有一個簡單的網(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(chuàng)建一個Saver對象，用于保存所有變量
saver = tf.train.Saver()
#通過傳入數(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)
接下來我們使用graph.get_tensor_by_name()方法來操縱這個保存的模型。
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placeholders變量，并且創(chuàng)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(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，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：
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placeholders變量，并且創(chuàng)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(zhí)行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
# 在當前圖中能夠加入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(chǔ)上建立圖，看一個簡單例子，假設(shè)我們需要在訓練好的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')
# 訪問圖
graph = tf.get_default_graph()
#訪問用于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(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python使用PySimpleGUI和Pygame編寫一個MP3播放器
這篇文章主要為大家詳細介紹了Python如何使用PySimpleGUI和Pygame編寫一個簡單的MP3播放器,文中的示例代碼講解詳細,感興趣的小伙伴可以學習一下2023-11-11
這篇文章主要介紹了Python函數(shù)返回值,實例分析了Python中返回一個返回值與多個返回值的方法,需要的朋友可以參考下2021-10-10
pandas factorize實現(xiàn)將字符串特征轉(zhuǎn)化為數(shù)字特征
今天小編就為大家分享一篇pandas factorize實現(xiàn)將字符串特征轉(zhuǎn)化為數(shù)字特征，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了Python批量自動修改文件名,按指定的格式自動命名方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08
在Python實際開發(fā)中會經(jīng)常需要用到對列表進行排序,下面這篇文章主要給大家介紹了關(guān)于python列表中常見的一些排序方法,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2022-09-09
這篇文章主要介紹了python csv實時一條一條插入且表頭不重復問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-05-05
在django項目中導出數(shù)據(jù)到excel文件并實現(xiàn)下載的功能
這篇文章主要介紹了在django項目中導出數(shù)據(jù)到excel文件并實現(xiàn)下載的功能，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03
python實現(xiàn)發(fā)送帶附件的郵件代碼分享
在本篇文章里小編給大家整理的是關(guān)于python實現(xiàn)發(fā)送帶附件的郵件代碼分享內(nèi)容，需要的朋友們可以參考下。2020-09-09
今天小編就為大家分享一篇基于anaconda下強大的conda命令介紹，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-06-06
今天小編就為大家分享一篇tensorflow模型保存、加載之變量重命名實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01