Tensorflow加载预训练模型和保存模型

转载自：https://blog.csdn.net/huachao1001/article/details/78501928

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！

1 Tensorflow模型文件
我们在checkpoint_dir目录下保存的文件结构如下：

1.1 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：

1.3 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

2 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：

 saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

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])               #这定义了需要保存的参数
 sess = tf.Session()
 sess.run(tf.global_variables_initializer())
 saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

3 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。

 saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')

上面一行代码，就把图加载进来了

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:
   new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
   new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))

此时，W1和W2加载进了图，并且可以被访问：

 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'))

执行后，打印如下：[ 0.51480412 -0.56989086]

4 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

 #现在保存模型
 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_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

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()