tensorflow-保存和载入模型

Jul 4, 2020 · tensorflow 机器学习 ·

分享到:

Tensorflow 中模型的保证与载入

Tensorflow中模型保存有着关键作用，无论是隔段时间保存以防止突发状况，还是保存训练完毕的模型以供使用，都需要使用tensorflow中的模型保存功能。有时候，可能也需要用到训练好的模型（迁移学习，预学习），并在这个基础上再次训练（fine tuning）。这时候我们需要掌握如何操作这些模型数据。

模型文件

目前使用tensorflow 1.X版本，指定的模型保存目录下有4个，3类。

1|--checkpoint_dir
2|    |--checkpoint
3|    |--MyModel.meta
4|    |--MyModel.data-00000-of-00001
5|    |--MyModel.index
6

checkpoint：该文件是文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。例如最近保存的默认5个文件名称。
meta文件：保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。
ckpt文件：包含name-global_step.data-xxxx-of-xxxx和.index文件，都是二进制文件，保存了所有的weights、biases、gradients等变量。.index是索引，.data文件保存具体数值，一般参数很多时很大。

保存Tensorflow模型

Tensorflow使用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：

1saver = tf.train.Saver()
2saver.save(sess,"Mypath/checkpoint_dir/MyModel")

以下Copy from https://blog.csdn.net/huachao1001/article/details/78501928

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：

1saver.save(sess, 'Mypath/checkpoint_dir/MyModel',global_step=1000)

保存的模型文件名称会在后面加-1000,如下：

1checkpoint
2MyModel-1000.data-00000-of-00001
3MyModel-1000.index
4MyModel-1000.meta

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：

1saver.save(sess, 'Mypath/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：

1tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)

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

1import tensorflow as tf
2w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
3w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
4saver = tf.train.Saver([w1,w2]) # 只保存w1 , w2
5sess = tf.Session()
6sess.run(tf.global_variables_initializer())
7saver.save(sess, 'Mypath/checkpoint_dir/MyModel',global_step=1000)
8

导入Tensorflow已有模型

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。

导入网络图

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。

1saver=tf.train.import_meta_graph('Mypath/checkpoint_dir/MyModel-1000.meta')

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：

1import tensorflow as tf
2with tf.Session() as sess:
3  new_saver = tf.train.import_meta_graph('Mypath/checkpoint_dir/MyModel-1000.meta')
4  new_saver.restore(sess, tf.train.latest_checkpoint('Mypath/checkpoint_dir')) # 选取最新的check point

此时，W1和W2加载进了图，并且可以被访问。

还有一种导入模型的方式如下：

1ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
2# 若模型存在，则加载出模型到当前对话，在测试数据集上进行准确率验证，并打印出当前轮数下的准确率
3if ckpt and ckpt.model_checkpoint_path:
4    # 默认恢复最新的模型
5    saver.restore(sess, ckpt.model_checkpoint_path)
6    # 根据模型名称获取global_step
7    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]

还可以遍历所有保存的模型：

1for i in range(len(ckpt.all_model_checkpoint_paths)):
2    p = ckpt.all_model_checkpoint_paths[i]

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graph.get_tensor_by_name('w1:0')来获取，注意w1:0是tensor的name。

 1import tensorflow as tf
 2
 3w1 = tf.placeholder("float", name="w1")
 4w2 = tf.placeholder("float", name="w2")
 5b1= tf.Variable(2.0,name="bias") 
 6
 7#定义一个op，用于后面恢复
 8w3 = tf.add(w1,w2)
 9w4 = tf.multiply(w3,b1,name="op_to_restore")
10sess = tf.Session()
11sess.run(tf.global_variables_initializer())
12
13#创建一个Saver对象，用于保存所有变量
14saver = tf.train.Saver()
15
16#通过传入数据，执行op
17print(sess.run(w4,feed_dict ={w1:4,w2:8}))
18#打印 24.0 ==>(w1+w2)*b1
19
20#现在保存模型
21saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下来我们使用graph.get_tensor_by_name()方法来操纵这个保存的模型。

 1import tensorflow as tf
 2
 3sess=tf.Session()
 4#先加载图和参数变量
 5saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
 6saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
 7
 8# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
 9graph = tf.get_default_graph()
10w1 = graph.get_tensor_by_name("w1:0")
11w2 = graph.get_tensor_by_name("w2:0")
12feed_dict ={w1:13.0,w2:17.0}
13
14#接下来，访问你想要执行的op
15op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
16
17print(sess.run(op_to_restore,feed_dict))
18#打印结果为60.0==>(13+17)*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graph.get_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：

 1......
 2......
 3saver = tf.train.import_meta_graph('vgg.meta')
 4# 访问图
 5graph = tf.get_default_graph() 
 6 
 7#访问用于fine-tuning的output
 8fc7= graph.get_tensor_by_name('fc7:0')
 9 
10#如果你想修改最后一层梯度，需要如下
11fc7 = tf.stop_gradient(fc7) # It's an identity function
12fc7_shape= fc7.get_shape().as_list()
13
14new_outputs=2
15weights = tf.Variable(tf.truncated_normal([fc7_shape[3], num_outputs], stddev=0.05))
16biases = tf.Variable(tf.constant(0.05, shape=[num_outputs]))
17output = tf.matmul(fc7, weights) + biases
18pred = tf.nn.softmax(output)
19
20# Now, you run this with fine-tuning data in sess.run()
21