Tensorflow 加载预训练模型和保存模型
免费下载资源
使用tensorflow过程中，训练结束后我们需要用到模型文件。有时候，我们可能也需要用到别人训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。看完本文，相信你一定会有收获！
一、Tensorflow模型文件
我们在checkpoint_dir目录下保存的文件结构如下：
|--checkpoint_dir
| |--checkpoint
| |--MyModel.meta
| |--MyModel.data-00000-of-00001
| |--MyModel.index1.1 meta文件
MyModel.meta文件保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。
1.2 ckpt文件
ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通过两个文件保存,如下：
MyModel.data-00000-of-00001
MyModel.index1.3 checkpoint文件
我们还可以看，checkpoint_dir目录下还有checkpoint文件，该文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference时，可以通过修改这个文件，指定使用哪个model
二、保存Tensorflow模型
tensorflow 提供了 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：
saver = tf.train.Saver()
saver.save(sess,"./checkpoint_dir/MyModel")看一个简单例子：
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')执行后，在checkpoint_dir目录下创建模型文件如下：
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，只需设置global_step参数即可。保存的模型文件名称会在后面加-1000,如下：
checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
MyModel-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：
saver.save(sess, './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：
tf.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：
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)三、导入训练好的模型
在第1小节中我们介绍过，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。
3.1 构造网络图
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。下面一行代码，就把图加载进来了
saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')3.2 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：
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此时，W1和W2加载进了图，并且可以被访问,执行后，打印如下：
[ 0.51480412 -0.56989086]四、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。
假设我们有一个简单的网络模型，代码如下：
import tensorflow as tf
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
# 定义一个op，用于后面恢复
w3 = tf.add(w1, w2)
w4 = tf.multiply(w3, b1, name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
# 创建一个Saver对象，用于保存所有变量
saver = tf.train.Saver()
# 通过传入数据，执行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)接下来我们使用 graph.get_tensor_by_name() 方法来操纵这个保存的模型。
import tensorflow as tf
sess=tf.Session()
# 先加载图和参数变量
saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
graph = tf.get_default_graph()
# w1 = graph.get_operation_by_name('w1') # 这个只是获取了operation， 至于有什么用还不知道
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}
# 接下来，访问你想要执行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
print(sess.run(op_to_restore,feed_dict)) # 打印结果为60.0==>(13+17)*2注意：保存模型时，只会保存变量的值，placeholder里面的值不会被保存
如果你不仅仅是用训练好的模型，还要加入一些op，或者说加入一些layers并训练新的模型，可以通过一个简单例子来看如何操作：
import tensorflow as tf
sess = tf.Session()
# 先加载图和变量
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))
# 访问placeholders变量，并且创建feed-dict来作为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}
#接下来，访问你想要执行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
# 在当前图中能够加入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：
......
......
saver = tf.train.import_meta_graph('vgg.meta')
# 访问图
graph = tf.get_default_graph()
# 访问用于fine-tuning的output
fc7 = graph.get_tensor_by_name('fc7:0')
# 如果你想修改最后一层梯度，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从已经训练好的模型中，恢复指定权重(构建新变量、网络)并继续训练(finetuning)
该部分转载自：https://blog.csdn.net/ying86615791/article/details/76215363
假如要保存或者恢复指定tensor，并且把保存的graph恢复(插入)到当前的graph中呢？
总的来说，目前我会的是两种方法，命名都是很关键！
两种方式保存模型，
1.保存所有tensor，即整张图的所有变量，
2.只保存指定scope的变量
两种方式恢复模型，
1.导入模型的graph，用该graph的saver来restore变量
2.在新的代码段中写好同样的模型（变量名称及scope的name要对应），用默认的graph的saver来restore指定scope的变量
两种保存方式：
1.保存整张图，所有变量
-
... -
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.保存图中的部分变量
-
... -
init = tf.global_variables_initializer() -
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensor -
saver = tf.train.Saver(vgg_ref_vars)#初始化saver时，传入一个var_list的参数 -
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) -
...
两种恢复方式：
1.导入graph来恢复
-
... -
vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件 -
vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件，里面是各个tensor的值 -
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中，返回导入graph的saver -
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholder -
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，获取要使用的tensor -
""" -
以上两个获取tensor的方式也可以为: -
graph = tf.get_default_graph() -
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0') -
当然，前提是有tensor的名字 -
""" -
... -
init = tf.global_variables_initializer() -
saver = tf.train.Saver() # 这个是当前新图的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)#使用导入图的saver来恢复 -
...
2.重写一样的graph，然后恢复指定scope的变量
-
def re_build():#重建保存的那个graph -
with tf.variable_scope('vgg_feat_fc'): #没错，这个scope要和需要恢复模型中的scope对应 -
... -
return ... -
... -
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope，其实第1个方法中，导入graph后，可以不用返回的vgg_saver，再新建一个指定var_list的vgg_saver就好了，恩，需要传入一个var_list的参数 -
... -
init = tf.global_variables_initializer() -
saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saver -
saver = tf.train.Saver() # 这个是当前新图的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)#使用导入图的saver来恢复 -
...
总结一下，这里的要点就是，在restore的时候，saver要和模型对应，如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错，提示key/tensor ... not found之类的错误;
写graph的时候，一定要注意写好scope和tensor的name，合理插入variable_scope;
最方便的方式还是，用第1种方式来保存模型，这样就不用重写代码段了，然后第1种方式恢复，不过为了稳妥，最好还是通过获取var_list，指定saver的var_list，妥妥的！
最新发现，用第1种方式恢复时，要记得当前的graph和保存的模型中没有重名的tensor，否则当前graph的tensor name可能不是那个name，可能在后面加了"_1"....-_-||
在恢复图基础上构建新的网络（变量）并训练(finetuning)
恢复模型graph和weights在上面已经说了，这里的关键点是怎样只恢复原图的权重 ，并且使optimizer只更新新构造变量（指定层、变量）。
（以下code与上面没联系）
-
"""1.Get input, output , saver and graph"""#从导入图中获取需要的东西 -
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) #获取导入图的saver，便于后面恢复 -
graph_restore = tf.get_default_graph() #此时默认图就是导入的图 -
#从导入图中获取需要的tensor -
#1. 用collection来获取 -
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来获取 -
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"""#构造新的variables用于后面的finetuning -
graph_restore.clear_collection('feat_fused') #删除以前的集合，假如finetuning后用新的代替原来的 -
graph_restore.clear_collection('prob') -
#添加新的东西 -
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"""#构造损失 -
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')#关键！获取指定scope下的变量 -
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) #这里saver_restore对应导入图的saver， 如果用上面新的saver的话会报错 因为多出了一些新的变量 在保存的模型中是没有那些权值的 -
sess.run(train_op, feed_dict) -
.......
再说明下两个关键点：
1. 如何在新图的基础上 只恢复 导入图的权重 ？
用导入图的saver: saver_restore
2. 如何只更新指定参数？
用var_list = tf.contrib.framework.get_variables(scope_name)获取指定scope_name下的变量，
然后optimizer.minimize()时传入指定var_list
附：如何知道tensor名字以及获取指定变量？
1.获取某个操作之后的输出
用graph.get_operations()获取所有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')就是那个位置经过flatten后的输出了
2.获取指定的var的值
用GraphKeys获取变量
tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的变量
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')就是那个位置的biases了
3.获取指定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/
GitHub 加速计划 / te / tensorflow
184.55 K
74.12 K
下载
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
0
0- 0
已为社区贡献6条内容
所有评论(0)