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2023-11-11pandas 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2020-03-03python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