TensorFlow 模型保存和导入、加载

在TensorFlow中，保存模型与加载模型所用到的是tf.train.Saver()这个类。我们一般的想法就是，保存模型之后，在另外的文件中重新将模型导入，我可以利用模型中的operation和variable来测试新的数据。

---

什么是TensorFlow中的模型

首先，我们先来理解一下TensorFlow里面的模型是什么。在保存模型后，一般会出现下面四个文件：

meta graph：保存了TensorFlow的graph。包括all variables，operations，collections等等。这个文件就是上面的.meta文件。

checkpoint files：二进制文件，保存了所有weights，biases，gradient and all the other variables的值。也就是上图中的.data-00000-of-00001和.index文件。.data文件包含了所有的训练变量。以前的TensorFlow版本是一个ckpt文件，现在就是这两个文件了。与此同时，Tensorflow还有一个名为checkpoint的文件，只保存最新检查点文件的记录，即最新的保存路径。

---

保存一个TensorFlow的模型

在TensorFlow中，如果想保存一个图(graph)或者所有的参数的值，那么就需要用到tf.train.Saver()这个类。

import tensorflow as tf
saver = tf.train.Saver()
sess = tf.Session()
saver.save(sess, 'my_test_model')

　　

上面这段代码最后一句就是保存模型，第二个参数是一个路径(包含模型的名字)。当然还有其他的形参，我们接下来讲:
global_step：给一个数字，用于保存文件时tensorflow帮你命名。主要是说明了迭代多次后保存了。
write_meta_graph：bool型，说明要不要把TensorFlow的图保存下来。
关于save函数更多的说明请参考：
https://www.tensorflow.org/api_docs/python/tf/train/Saver#save

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, 'my_test_model')

# This will save following files in Tensorflow v >= 0.11
# my_test_model.data-00000-of-00001
# my_test_model.index
# my_test_model.meta
# checkpoint

　　

---

导入一个训练好的模型

前门讲了如何保存一个模型，现在要把模型导出来用了。

训练好的模型，.meta文件中已经保存了整个graph，我们无需重建，只要导入.meta文件即可。

with tf.Session() as sess:
        new_saver = tf.train.import_meta_graph('my_test_model-1000.meta')#这个函数就是讲graph导出来

　　

下面用一个例子来说明一下，直接上完整代码：

第一个文件，训练模型并保存模型：

#定义模型
X = tf.placeholder(tf.float32,shape = [None,x_dim],name = 'X')
Y = tf.placeholder(tf.float32,shape = [None,1], name = 'Y')
W = tf.Variable(tf.random_normal([x_dim,1]),name='weight')
b = tf.Variable(tf.random_normal([1]),name='bias')
hypothesis = tf.sigmoid(tf.matmul(X,W)+b)
cost = -tf.reduce_mean(Y*tf.log(hypothesis) + (1-Y)*tf.log(1-hypothesis))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train = optimizer.minimize(cost)

#假如想要保存hypothesis和cost，以便在保存模型后，重新导入模型时可以使用。
tf.add_to_collection('hypothesis',hypothesis)#必须有个名字，即第一个参数
tf.add_to_collection('cost',cost)

mysaver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for epoch in range(50):
    avg_cost, _ = sess.run([cost,train],feed_dict = {X:x_data,Y:y_data})

mysaver.save(sess, '../model/model_LR_test') #保存模型

　　

第二个文件，加载模型，并利用训练好的模型预测：

sess = tf.Session()
#本来我们需要重新像上一个文件那样重新构建整个graph，但是利用下面这个语句就可以加载整个graph了，方便
new_saver = tf.train.import_meta_graph('../model/model_LR_test.meta')
new_saver.restore(sess,'../model/model_LR_test')#加载模型中各种变量的值，注意这里不用文件的后缀

#对应第一个文件的add_to_collection()函数
hyp = tf.get_collection('hypothesis')[0] #返回值是一个list，我们要的是第一个，这也说明可以有多个变量的名字一样。

graph = tf.get_default_graph()
X = graph.get_operation_by_name('X').outputs[0]#为了将placeholder加载出来

pred = sess.run(hyp,feed_dict = {X:x_valid})
print('auc:',auc(y_valid,pred))

是这样的，使用TensorFlow构建模型的时候，如果一些operation想要在加载模型时用到。那么需要使用add_to_collection()函数来将operation存起来。然后再加载模型后可以调用。当然tensorflow无论怎样都需要给每个东西一个名字(string型)，只有通过名字才可以找到对应的operation。