Tensorflow 加载预训练模型和保存模型
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據。看完本文，相信你一定會有收獲！
一、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.index1.1 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,如下：
MyModel.data-00000-of-00001 MyModel.index1.3 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
二、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 環境中，也就是說，只有在 Session 環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 tfw1 = 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')執行后，在checkpoint_dir目錄下創建模型文件如下：
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參數即可。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據，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，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 tfw1 = 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)三、導入訓練好的模型
在第1小節中我們介紹過，tensorflow將圖和變量數據分開保存為不同的文件。因此，在導入模型時，也要分為2步：構造網絡圖和加載參數。
3.1 構造網絡圖
一個比較笨的方法是，手敲代碼，實現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。下面一行代碼，就把圖加載進來了
saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')3.2 加載參數
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（即weights、biases等），本文第2節提到過，變量值需要依賴于Session，因此在加載參數時，先要構造好Session：
import tensorflow as tfwith 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此時，W1和W2加載進了圖，并且可以被訪問,執行后，打印如下：
[ 0.51480412 -0.56989086]四、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絡模型，代碼如下：
import tensorflow as tfw1 = 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())# 創建一個Saver對象，用于保存所有變量 saver = tf.train.Saver()# 通過傳入數據，執行op print(sess.run(w4, feed_dict ={w1: 4, w2: 8})) # 打印 24.0 ==>(w1+w2)*b1# 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 tfsess=tf.Session() # 先加載圖和參數變量 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，并且創建feed-dict來作為placeholders的新值 graph = tf.get_default_graph() # w1 = graph.get_operation_by_name('w1') # 這個只是獲取了operation， 至于有什么用還不知道 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 tfsess = 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網絡使用圖，并且修改最后一層，將輸出改為2，用于fine-tuning新數據：
...... ...... 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()???????六、tensorflow從已經訓練好的模型中，恢復指定權重(構建新變量、網絡)并繼續訓練(finetuning)
該部分轉載自：https://blog.csdn.net/ying86615791/article/details/76215363
假如要保存或者恢復指定tensor，并且把保存的graph恢復(插入)到當前的graph中呢？
總的來說，目前我會的是兩種方法，命名都是很關鍵！
兩種方式保存模型，
1.保存所有tensor，即整張圖的所有變量，
2.只保存指定scope的變量
兩種方式恢復模型，
1.導入模型的graph，用該graph的saver來restore變量
2.在新的代碼段中寫好同樣的模型（變量名稱及scope的name要對應），用默認的graph的saver來restore指定scope的變量
兩種保存方式：
1.保存整張圖，所有變量
...
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...
2.保存圖中的部分變量
...
init = tf.global_variables_initializer()
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#獲取指定scope的tensor
saver = tf.train.Saver(vgg_ref_vars)#初始化saver時，傳入一個var_list的參數
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...
兩種恢復方式：
1.導入graph來恢復
...
vgg_meta_path = params['vgg_meta_path'] # 后綴是'.ckpt.meta'的文件
vgg_graph_weight = params['vgg_graph_weight'] # 后綴是'.ckpt'的文件，里面是各個tensor的值
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 導入graph到當前的默認graph中，返回導入graph的saver
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，獲取輸入的placeholder
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，獲取要使用的tensor
"""
以上兩個獲取tensor的方式也可以為:
graph = tf.get_default_graph()
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
當然，前提是有tensor的名字
"""
...
init = tf.global_variables_initializer()
saver = tf.train.Saver() # 這個是當前新圖的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用導入圖的saver來恢復
...
2.重寫一樣的graph，然后恢復指定scope的變量
def re_build():#重建保存的那個graph
with tf.variable_scope('vgg_feat_fc'): #沒錯，這個scope要和需要恢復模型中的scope對應
...
return ...
...
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有這個scope，其實第1個方法中，導入graph后，可以不用返回的vgg_saver，再新建一個指定var_list的vgg_saver就好了，恩，需要傳入一個var_list的參數
...
init = tf.global_variables_initializer()
saver_vgg = tf.train.Saver(vgg_ref_vars) # 這個是要恢復部分的saver
saver = tf.train.Saver() # 這個是當前新圖的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用導入圖的saver來恢復
...
總結一下，這里的要點就是，在restore的時候，saver要和模型對應，如果直接用當前graph的saver = tf.train.Saver(),來恢復保存模型的權重saver.restore(vgg_graph_weight),就會報錯，提示key/tensor ... not found之類的錯誤;
寫graph的時候，一定要注意寫好scope和tensor的name，合理插入variable_scope;?
最方便的方式還是，用第1種方式來保存模型，這樣就不用重寫代碼段了，然后第1種方式恢復，不過為了穩妥，最好還是通過獲取var_list，指定saver的var_list，妥妥的！
最新發現，用第1種方式恢復時，要記得當前的graph和保存的模型中沒有重名的tensor，否則當前graph的tensor name可能不是那個name，可能在后面加了"_1"....-_-||
在恢復圖基礎上構建新的網絡（變量）并訓練(finetuning)
恢復模型graph和weights在上面已經說了，這里的關鍵點是怎樣只恢復原圖的權重?，并且使optimizer只更新新構造變量（指定層、變量）。
（以下code與上面沒聯系）
"""1.Get input, output , saver and graph"""#從導入圖中獲取需要的東西
meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
saver_restore = tf.train.import_meta_graph(meta_path_restore) #獲取導入圖的saver，便于后面恢復
graph_restore = tf.get_default_graph() #此時默認圖就是導入的圖
#從導入圖中獲取需要的tensor
#1. 用collection來獲取
input_x = tf.get_collection('inputs')[0]
input_is_training = tf.get_collection('is_training')[0]
output_feat_fused = tf.get_collection('feat_fused')[0]
#2. 用tensor的name來獲取
input_y = graph_restore.get_tensor_by_name('label_exp:0')
print('Get tensors...')
print('inputs shape: {}'.format(input_x.get_shape().as_list()))
print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))
"""2.Build new variable for fine tuning"""#構造新的variables用于后面的finetuning
graph_restore.clear_collection('feat_fused') #刪除以前的集合，假如finetuning后用新的代替原來的
graph_restore.clear_collection('prob')
#添加新的東西
if F_scale is not None and F_scale!=0:
print('F_scale is not None, value={}'.format(F_scale))
feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合
logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits"
"""3.Get acc and loss"""#構造損失
with tf.variable_scope('accuracy'):
accuracy,prediction = ...
with tf.variable_scope('loss'):
loss = ...
"""4.Build op for fine tuning"""
global_step = tf.Variable(0, trainable=False,name='global_step')
learning_rate = tf.train.exponential_decay(initial_lr,
global_step=global_step,
decay_steps=decay_steps,
staircase=True,
decay_rate=0.1)
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
var_list = tf.contrib.framework.get_variables('final_logits')#關鍵！獲取指定scope下的變量
train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
"""5.Begin training"""
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
saver_restore.restore(sess, model_path_restore) #這里saver_restore對應導入圖的saver， 如果用上面新的saver的話會報錯 因為多出了一些新的變量 在保存的模型中是沒有那些權值的
sess.run(train_op, feed_dict)
.......
再說明下兩個關鍵點：
1. 如何在新圖的基礎上 只恢復 導入圖的權重 ？
用導入圖的saver: saver_restore
2. 如何只更新指定參數？
用var_list = tf.contrib.framework.get_variables(scope_name)獲取指定scope_name下的變量，
然后optimizer.minimize()時傳入指定var_list
附：如何知道tensor名字以及獲取指定變量？
1.獲取某個操作之后的輸出
用graph.get_operations()獲取所有op
比如<tf.Operation 'common_conv_xxx_net/common_conv_net/flatten/Reshape' type=Reshape>,
那么output_pool_flatten = graph_restore.get_tensor_by_name('common_conv_xxx_net/common_conv_net/flatten/Reshape:0')就是那個位置經過flatten后的輸出了
2.獲取指定的var的值
用GraphKeys獲取變量
tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的變量
比如?<tf.Variable 'common_conv_xxx_net/final_logits/logits/biases:0' shape=(7,) dtype=float32_ref>
那么var_logits_biases = graph_restore.get_tensor_by_name('common_conv_xxx_net/final_logits/logits/biases:0')就是那個位置的biases了
3.獲取指定scope的collection
tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES,scope='common_conv_xxx_net.final_logits')
注意后面的scope是xxx.xxx不是xxx/xxx
Reference
http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
總結
以上是生活随笔為你收集整理的Tensorflow 加载预训练模型和保存模型的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： CAD 残留文件和注册表如何完全彻底卸载
- 下一篇： AutoCAD全面卸载的方法