Tensor flow保存与加载模型

Tensor flow模型文件结构： 

                                                    

1.meta文件：*.meta文件保存的是图结构

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。

3.checkpoint文件:model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。

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,"./model/MyModel")

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()

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    saver.save(sess, './model/MyModel')

执行后，在model目录下创建模型文件如下：

                                                                    

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：

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()

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    saver.save(sess, './model/MyModel', global_step=1000)

此时，保存的模型文件名称会在后面加-1000,如下：

                                                                   

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：write_meta_graph=False

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()

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    saver.save(sess, './model/MyModel', global_step=2000, write_meta_graph=False)

文件结构如下：

                                                                       

另一种比较实用的是，如果你希望每2小时保存一次模型，并且通过max_to_keep来指定只保存最近的5个模型文件：

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(max_to_keep=5, keep_checkpoint_every_n_hours=2)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    saver.save(sess, './model/MyModel', global_step=1000)

注意：tensorflow默认只会保存最近的5个模型文件，如果希望保存更多，可以通过max_to_keep来指定

如果不对tf.train.Saver指定任何参数，默认会保存所有变量。如果不想保存所有变量，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])

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(w1))  # [-0.57334864  0.30104926]
    saver.save(sess, './model/MyModel', global_step=1000)

导入训练好的模型

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

1.构造网络图

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。

# 加载模型结构
saver = tf.train.import_meta_graph('./model/MyModel-1000.meta')

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），前面提到，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

# 加载模型结构
saver = tf.train.import_meta_graph('./model/MyModel-1000.meta')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    # 加载模型数据
    saver.restore(sess, tf.train.latest_checkpoint("./model"))
    print(sess.run("w1:0")) # [-0.57334864  0.30104926]

使用恢复的模型

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。

import tensorflow as tf

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    # 先加载图和参数变量
    saver = tf.train.import_meta_graph('./model/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint("./model"))

    # 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(["w1:0", "w2:0", op_to_restore], feed_dict=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，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

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    # 先加载图和参数变量
    saver = tf.train.import_meta_graph('./model/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint("./model"))

    # 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(["w1:0", "w2:0", op_to_restore, add_on_op], feed_dict=feed_dict))
    # 打印结果为:[array(13., dtype=float32), array(17., dtype=float32), 60.0, 120.0]

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()