Tensorflow加載預(yù)訓(xùn)練模型和保存模型的實例
使用tensorflow過程中，訓(xùn)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(xùn)練好的模型，并在這個基礎(chǔ)上再次訓(xùn)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(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(jìn)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(xùn)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(rèn)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(rèn)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(dǎo)入訓(xùn)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(dǎo)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(jìn)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(xùn)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(jìn)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(fù)的模型
前面我們理解了如何保存和恢復(fù)模型，很多時候，我們希望使用一些已經(jīng)訓(xùn)練好的模型，如prediction、fine-tuning以及進(jìn)一步訓(xùn)練等。這時候，我們可能需要獲取訓(xùn)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(fù)
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(xùn)練好的模型，還要加入一些op，或者說加入一些layers并訓(xùn)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(dāng)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(fù)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(xùn)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(yù)訓(xùn)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
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
Python中如何創(chuàng)建和運(yùn)行異步任務(wù)詳解
這篇文章主要為大家介紹了Python中如何創(chuàng)建和運(yùn)行異步任務(wù)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(jìn)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(jìn)行虛擬拖放效果，我們可以使用這個技術(shù)實現(xiàn)一些游戲，控制機(jī)械臂等很多有趣的事情。感興趣的可以學(xué)習(xí)一下2022-01-01
python3.6+opencv3.4實現(xiàn)鼠標(biāo)交互查看圖片像素
這篇文章主要為大家詳細(xì)介紹了python3.6+opencv3.4實現(xiàn)鼠標(biāo)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
pytorch學(xué)習(xí)教程之自定義數(shù)據(jù)集
這篇文章主要給大家介紹了關(guān)于pytorch學(xué)習(xí)教程之自定義數(shù)據(jù)集的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11
PyTorch是由Facebook開發(fā)的開源機(jī)器學(xué)習(xí)庫,它用于深度神經(jīng)網(wǎng)絡(luò)和自然語言處理,下面這篇文章主要給大家介紹了關(guān)于PyTorch中Torch.arange函數(shù)詳解的相關(guān)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(guān)代碼，文中展示的示例代碼講解詳細(xì)，對我們學(xué)習(xí)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