tensorflow的断点续训

tensorflow的断点续训

2019-09-07

顾名思义，断点续训的意思是因为某些原因模型还没有训练完成就被中断，下一次训练可以在上一次训练的基础上继续训练而不用从头开始；这种方式对于你那些训练时间很长的模型来说非常友好。

如果要进行断点续训，那么得满足两个条件：

（1）本地保存了模型训练中的快照；（即断点数据保存）

（2）可以通过读取快照恢复模型训练的现场环境。（断点数据恢复）

这两个操作都用到了tensorflow中的train.Saver类。

1.tensorflow.trainn.Saver类

__init__(
    var_list=None,
    reshape=False,
    sharded=False,
    max_to_keep=5,
    keep_checkpoint_every_n_hours=10000.0,
    name=None,
    restore_sequentially=False,
    saver_def=None,
    builder=None,
    defer_build=False,
    allow_empty=False,
    write_version=tf.train.SaverDef.V2,
    pad_step_number=False,
    save_relative_paths=False,
    filename=None
)

这里不对所有参数进行介绍，只介绍常用的参数
max_to_keep：允许保存的模型的个数，默认为5；当保存的个数超过5时，自动删除最旧的模型，以保证最多同时存在5个模型；如果设置为0或者None，则会对所有训练中的模型进行保存，但是这样除了多占硬盘外没什么意义。
其他的参数一般就使用默认值就可以了。

saver = tf.train.Saver(max_to_keep=10)

有机会再补充其他参数的用法。

2.断点数据的保存

使用saver对象的save方法即可保存模型：

save(
    sess,
    save_path,
    global_step=None,
    latest_filename=None,
    meta_graph_suffix='meta',
    write_meta_graph=True,
    write_state=True,
    strip_default_attrs=False,
    save_debug_info=False
)

常用参数：

sess：需要保存的会话，一般就是我们程序中的sess；

save_path：保存模型的文件路径以及名称，例如“ckpt/my_model”，注意如果要保存在ckpt文件夹下，那么需要在ckpt后面加个斜杠/；

global_step：训练次数，saver会自动将这个值加入到保存的文件名字中。

saver.save(sess,"my_model",global_step=1)
saver.save(sess,"my_model",global_step=100)
saver.save(sess,"ckpt/my_model",global_step=1)

其中1，2，3行代码分别会：

1：在代码的路径下生成名为“my_model_1文件”；

2：在代码的路径下生成名为“my_model_100文件”；

3：在ckpt文件夹下生成名为“my_model_1文件”。

最常见的用法：

for epoch in range(n_iter):
    '''
    training process
    '''
    saver.save(sess,ckpt_dir+"model_name",global_step=epoch)

其中ckpt_dir是断点数据存放的路径。

3.断点数据的恢复

3.1 只加载参数，不加载图

需要先建立一个与之前相同的模型；然后再检查有没有断点数据，如果有，则进行恢复。

'''
模型图创建
'''
ckpt_dir = "ckpt/"
#创建Saver对象
saver = tf.train.Saver()
#如果有断点文件，读取最近的断点文件
ckpt = tf.train.latest_checkpoint(ckpt_dir)

if ckpt != None:
    saver.restore(sess,ckpt)

不需要提供模型的名字，tf.train.latest_checkpoint(ckpt_dir)会去ckpt_dir文件夹中自动寻找最新的模型文件。

这个方法要求模型图建立好之后才允许创建saver，然后进行变量恢复，否则会报错。

当我们基于checkpoint文件(ckpt)加载参数时，实际上我们使用Saver.restore取代了initializer的初始化。

3.2 图结构与参数都加载

不需要自己建立模型图了，全部靠加载：

import tensorflow as tf
#获取最新断点数据路径
ckpt = tf.train.latest_checkpoint("./ckpt/")
#加载图结构
saver = tf.train.import_meta_graph(ckpt+".meta")

sess = tf.Session()
#加载参数
saver.restore(sess,ckpt)
#运行sess
sess.run(tf.get_default_graph().get_tensor_by_name("x:0"))

可以通过 tf.get_default_graph().get_tensor_by_name("x:0")获取模型节点，其中“x:0”是创建节点的时候节点的name。

4.模型文件解析

在程序训练过程中保存的模型文件如下图所示：

checkpoint文件会记录保存信息，通过它可以定位最新保存的模型；

.meta文件保存了当前图结构

.data文件保存了当前参数名和值

.index文件保存了辅助索引信息

至于文件名后面的数字表示的是模型训练的不同批次，我们一般只需要最新的那个；由于之前设置最多保存5个模型，所以批次号是从6开始的。

4.1 查看checkpoint

ckpt = tf.train.get_checkpoint_state("./ckpt/")
print(ckpt)

结果是文件的断点状态信息：

断点状态信息下有一个“model_checkpoint_path”属性，属性内容是最新的那个模型的路径，用str类型来表示；

ckpt.model_checkpoint_path

这个与tf.train.latest_checkpoint("./ckpt/")得出的结果是相同的，可以通过这个路径来加载模型参数。

4.2 通过data文件查看变量名和变量值

from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file
print_tensors_in_checkpoint_file("./ckpt/model.ckpt-10",None,True)

print_tensors_in_checkpoint_file中输入的第一个参数即上一节中获取到的模型路径；结果会以字典的形式展现出来。

4.3 通过meta文件加载图结构

saver = tf.train.import_meta_graph('./ckpt/model.ckpt-10.meta')

注意这里的参数是完整的路径加上meta文件的文件名，后面需要加上“.meta”。

返回的是一个saver对象，这个对象中包含了之前模型的图结构。