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)?？赐瓯疚模嘈拍阋欢〞惺斋@！
1 Tensorflow模型文件
我們在checkpoint_dir目錄下保存的文件結構如下：
|--checkpoint_dir | |--checkpoint | |--MyModel.meta | |--MyModel.data-00000-of-00001 | |--MyModel.index
1.1 meta文件
MyModel.meta文件保存的是圖結構，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：構造網(wǎng)絡圖和加載參數(shù)
3.1 構造網(wǎng)絡圖
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構。其實，我們既然已經保存了圖，那就沒必要在去手寫一次圖結構代碼。
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。
假設我們有一個簡單的網(wǎng)絡模型，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，并且在此基礎上建立圖，看一個簡單例子，假設我們需要在訓練好的VGG網(wǎng)絡使用圖，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。
相關文章
這篇文章主要給大家介紹了利用python腳本爬取字體文件的實現(xiàn)方法，文中分享了爬取兩個不同網(wǎng)站的示例代碼，相信對大家具有一定的參考價值，需要的朋友們下面來一起看看吧。2017-04-04
這篇文章主要為大家介紹了Python中如何創(chuàng)建和運行異步任務詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-03-03
這篇文章主要介紹了利用OpenCV實現(xiàn)手勢識別，從而進行虛擬拖放效果，我們可以使用這個技術實現(xiàn)一些游戲，控制機械臂等很多有趣的事情。感興趣的可以學習一下2022-01-01
python3.6+opencv3.4實現(xiàn)鼠標交互查看圖片像素
這篇文章主要為大家詳細介紹了python3.6+opencv3.4實現(xiàn)鼠標交互查看圖片像素，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-02-02
這篇文章主要給大家介紹了關于pytorch學習教程之自定義數(shù)據(jù)集的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-11-11
PyTorch是由Facebook開發(fā)的開源機器學習庫,它用于深度神經網(wǎng)絡和自然語言處理,下面這篇文章主要給大家介紹了關于PyTorch中Torch.arange函數(shù)詳解的相關資料,需要的朋友可以參考下2023-02-02
Python實現(xiàn)信息轟炸工具(再也不怕說不過別人了)
不知道各位小伙伴有沒有遇到過這樣的一個故事,發(fā)現(xiàn)自己直接噴不過,打字速度不夠給力.下面這篇文章就能解決自己噴不過的苦惱,話不多說,上才藝,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了利用Python多線程制作的圖片下載器的相關代碼，文中展示的示例代碼講解詳細，對我們學習Python有一定幫助，需要的可以參考一下2022-03-03
本篇將使用200行代碼完成一個微型異步非阻塞Web框架：Snow。具有很好的參考價值，下面跟著小編一起來看下吧2017-03-03
python3實現(xiàn)elasticsearch批量更新數(shù)據(jù)
今天小編就為大家分享一篇python3實現(xiàn)elasticsearch批量更新數(shù)據(jù)，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