Tensorflow加载预训练模型和保存模型的实例
使⽤tensorflow过程中，训练结束后我们需要⽤到模型⽂件。有时候，我们可能也需要⽤到别⼈训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。看完本⽂，相信你⼀定会有收获！
1 Tensorflow模型⽂件
我们在checkpoint_dir⽬录下保存的⽂件结构如下：
|--checkpoint_dir
| |--checkpoint
| |--a
| |--MyModel.data-00000-of-00001
| |--MyModel.index
1.1 meta⽂件
1.2 ckpt⽂件
ckpt⽂件是⼆进制⽂件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt⽂件中。0.11后，通过两个⽂件保存，如：
MyModel.data-00000-of-00001
MyModel.index
1.3 checkpoint⽂件
我们还可以看，checkpoint_dir⽬录下还有checkpoint⽂件，该⽂件是个⽂本⽂件，⾥⾯记录了保存的最新的checkpoint⽂件以及其它checkpoint⽂件列表。在inference时，可以通过修改这个⽂件，指定使⽤哪个model
2 保存Tensorflow模型
tensorflow 提供了tf.train.Saver类来保存模型，值得注意的是，在tensorflow中，变量是存在于Session环境中，也就是说，只有在Session环境下才会存有变量值，因此，保存模型时需要传⼊session：
saver = tf.train.Saver()
saver.save(sess,"./checkpoint_dir/MyModel")
看⼀个简单例⼦：
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')
执⾏后，在checkpoint_dir⽬录下创建模型⽂件如下：
checkpoint
MyModel.data-00000-of-00001
MyModel.index
另外，如果想要在1000次迭代后，再保存模型，只需设置global_step参数即可：
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)
保存的模型⽂件名称会在后⾯加-1000，如下：
checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
在实际训练中，我们可能会在每1000次迭代中保存⼀次模型数据，但是由于图是不变的，没必要每次都去保存，可以通过如下⽅式指定不保存图：
saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)
另⼀种⽐较实⽤的是，如果你希望每2⼩时保存⼀次模型，并且只保存最近的5个模型⽂件：
注意：tensorflow默认只会保存最近的5个模型⽂件，如果你希望保存更多，可以通过max_to_keep来指定
如果我们不对tf.train.Saver指定任何参数，默认会保存所有变量。如果你不想保存所有变量，⽽只保存⼀部分变量，可以通过指定variables/collections。在创建tf.train.Saver实例时，通过将需要保存的变量构造list或者dictionary，传⼊到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 导⼊训练好的模型
在第1⼩节中我们介绍过，tensorflow将图和变量数据分开保存为不同的⽂件。因此，在导⼊模型时，也要分为2步：构造⽹络图和加载参数
3.1 构造⽹络图
⼀个⽐较笨的⽅法是，⼿敲代码，实现跟模型⼀模⼀样的图结构。其实，我们既然已经保存了图，那就没必要在去⼿写⼀次图结构代码。
ain.import_meta_graph('./checkpoint_a')
上⾯⼀⾏代码，就把图加载进来了
3.2 加载参数
仅仅有图并没有⽤，更重要的是，我们需要前⾯训练好的模型参数（即weights、biases等），本⽂第2节提到过，变量值需要依赖于Session，因此在加载参数时，先要构造好Session：
import tensorflow as tf
with tf.Session() as sess:
new_saver = tf.train.import_meta_graph('./checkpoint_a')
store(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
此时，W1和W2加载进了图，并且可以被访问：
import tensorflow as tf
with tf.Session() as sess:
saver = tf.train.import_meta_graph('./checkpoint_a')
print(sess.run('w1:0'))
##Model has been restored. Above statement will print the saved value
执⾏后，打印如下：
[ 0.51480412 -0.56989086]
4 使⽤恢复的模型
前⾯我们理解了如何保存和恢复模型，很多时候，我们希望使⽤⼀些已经训练好的模型，如prediction、fine-tuning以及进⼀步训练等。这时候，我们可能需要获取训练好的模型中的⼀些中间结果值，可以通过_tensor_by_name('w1:0')来获取，注意w1:0是tensor的name。
假设我们有⼀个简单的⽹络模型，代码如下：
import tensorflow as tf
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
#定义⼀个op，⽤于后⾯恢复
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#创建⼀个Saver对象，⽤于保存所有变量
saver = tf.train.Saver()
#通过传⼊数据，执⾏op
print(sess.run(w4,feed_dict ={w1:4,w2:8}))
#打印 24.0 ==>(w1+w2)*b1
#现在保存模型
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)
接下来我们使⽤_tensor_by_name()⽅法来操纵这个保存的模型。
import tensorflow as tf
sess=tf.Session()
#先加载图和参数变量
saver = tf.train.import_meta_graph('./checkpoint_a')
# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
graph = tf.get_default_graph()
w1 = _tensor_by_name("w1:0")
w2 = _tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}
#接下来，访问你想要执⾏的op
op_to_restore = _tensor_by_name("op_to_restore:0")
print(sess.run(op_to_restore,feed_dict))
#打印结果为60.0==>(13+17)*2
注意：保存模型时，只会保存变量的值，placeholder⾥⾯的值不会被保存
如果你不仅仅是⽤训练好的模型，还要加⼊⼀些op，或者说加⼊⼀些layers并训练新的模型，可以通过⼀个简单例⼦来看如何操作：
import tensorflow as tf
sess = tf.Session()
# 先加载图和变量
saver = tf.train.import_meta_graph('my_a')
# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
graph = tf.get_default_graph()
w1 = _tensor_by_name("w1:0")
w2 = _tensor_by_name("w2:0")
feed_dict = {w1: 13.0, w2: 17.0}
#接下来，访问你想要执⾏的op
op_to_restore = _tensor_by_name("op_to_restore:0")
# 在当前图中能够加⼊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
如果只想恢复图的⼀部分，并且再加⼊其它的op⽤于fine-tuning。只需通过_tensor_by_name()⽅法获取需要的op，并且在此基础上建⽴图，看⼀个简单例⼦，假设我们需要在训练好的VGG⽹络使⽤图，并且修改最后⼀层，将输出改为2，⽤于fine-tuning新数据：
......
......
saver = tf.train.import_meta_graph('a')
truncated模型用什么软件# 访问图
graph = tf.get_default_graph()
#访问⽤于fine-tuning的output
fc7= _tensor_by_name('fc7:0')
#如果你想修改最后⼀层梯度，需要如下
fc7 = tf.stop_gradient(fc7) # It's an identity function
fc7_shape= _shape().as_list()
new_outputs=2
weights = tf.uncated_normal([fc7_shape[3], num_outputs], stddev=0.05))
biases = tf.stant(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()
以上这篇Tensorflow加载预训练模型和保存模型的实例就是⼩编分享给⼤家的全部内容了，希望能给⼤家⼀个参考，也希望⼤家多多⽀持。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。