關(guān)于模型保存的一點(diǎn)心得

saver = tf.train.Saver(max_to_keep=3)

在定義 saver 的時(shí)候一般會(huì)定義最多保存模型的數(shù)量，一般來(lái)說(shuō)，如果模型本身很大，我們需要考慮到硬盤大小。如果你需要在當(dāng)前訓(xùn)練好的模型的基礎(chǔ)上進(jìn)行 fine-tune，那么盡可能多的保存模型，后繼 fine-tune 不一定從最好的 ckpt 進(jìn)行，因?yàn)橛锌赡芤幌伦泳瓦^(guò)擬合了。但是如果保存太多，硬盤也有壓力呀。如果只想保留最好的模型，方法就是每次迭代到一定步數(shù)就在驗(yàn)證集上計(jì)算一次 accuracy 或者 f1 值，如果本次結(jié)果比上次好才保存新的模型，否則沒(méi)必要保存。

如果你想用不同 epoch 保存下來(lái)的模型進(jìn)行融合的話，3到5 個(gè)模型已經(jīng)足夠了，假設(shè)這各融合的模型成為 M，而最好的一個(gè)單模型稱為 m_best, 這樣融合的話對(duì)于M 確實(shí)可以比 m_best 更好。但是如果拿這個(gè)模型和其他結(jié)構(gòu)的模型再做融合的話，M 的效果并沒(méi)有 m_best 好，因?yàn)镸 相當(dāng)于做了平均操作，減少了該模型的“特性”。

但是又有一種新的融合方式，就是利用調(diào)整學(xué)習(xí)率來(lái)獲取多個(gè)局部最優(yōu)點(diǎn)，就是當(dāng) loss 降不下了，保存一個(gè) ckpt， 然后開大學(xué)習(xí)率繼續(xù)尋找下一個(gè)局部最優(yōu)點(diǎn)，然后用這些 ckpt 來(lái)做融合，還沒(méi)試過(guò)，單模型肯定是有提高的，就是不知道還會(huì)不會(huì)出現(xiàn)上面再與其他模型融合就沒(méi)提高的情況。

如何使用 tf.train.Saver() 來(lái)保存模型

之前一直出錯(cuò)，主要是因?yàn)榭拥木幋a問(wèn)題。所以要注意文件的路徑絕對(duì)不不要出現(xiàn)什么中文呀。

import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

# Create some variables.
v1 = tf.Variable([1.0, 2.3], name="v1")
v2 = tf.Variable(55.5, name="v2")

# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

ckpt_path = './ckpt/test-model.ckpt'
# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
sess.run(init_op)
save_path = saver.save(sess, ckpt_path, global_step=1)
print("Model saved in file: %s" % save_path)

Model saved in file: ./ckpt/test-model.ckpt-1

注意，在上面保存完了模型之后。應(yīng)該把 kernel restart 之后才能使用下面的模型導(dǎo)入。否則會(huì)因?yàn)閮纱蚊?“v1” 而導(dǎo)致名字錯(cuò)誤。

import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

# Create some variables.
v1 = tf.Variable([11.0, 16.3], name="v1")
v2 = tf.Variable(33.5, name="v2")

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
# Restore variables from disk.
ckpt_path = './ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path + '-'+ str(1))
print("Model restored.")

print sess.run(v1)
print sess.run(v2)

INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1
Model restored.
[ 1.          2.29999995]
55.5

導(dǎo)入模型之前，必須重新再定義一遍變量。

但是并不需要全部變量都重新進(jìn)行定義，只定義我們需要的變量就行了。

也就是說(shuō)，你所定義的變量一定要在 checkpoint 中存在；但不是所有在checkpoint中的變量，你都要重新定義。

import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

# Create some variables.
v1 = tf.Variable([11.0, 16.3], name="v1")

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
# Restore variables from disk.
ckpt_path = './ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path + '-'+ str(1))
print("Model restored.")

print sess.run(v1)

INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1
Model restored.
[ 1.          2.29999995]

tf.Saver([tensors_to_be_saved]) 中可以傳入一個(gè) list，把要保存的 tensors 傳入，如果沒(méi)有給定這個(gè)list的話，他會(huì)默認(rèn)保存當(dāng)前所有的 tensors。一般來(lái)說(shuō)，tf.Saver 可以和 tf.variable_scope() 巧妙搭配，可以參考： 【遷移學(xué)習(xí)】往一個(gè)已經(jīng)保存好的模型添加新的變量并進(jìn)行微調(diào)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。