注:
fineturn 的解释:
已用于其它目标,预训练好模型的权重或者部分权重,作为初始值开始训练。
优点:加快收敛,提升速度。
具体做法:
1.复用相同层的权重,新定义层取随机权重初始值。
2.调大新定义层的学习率,调小复用层学习率。
正文:
解决tf 如何在已训练模型上继续训练fineturn的问题。
Code:
任务描述:x=3.0 , y=100.0 ,运算公式 x x W + b= y,求W和b的最优解。
# -*- coding: utf-8 -*-)
import tensorflow as tf
# 声明占位变量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
# 声明变量
W = tf.Variable(tf.zeros([1, 1]),name='w')
b = tf.Variable(tf.zeros([1]),name='b')
# 操作
result = tf.matmul(x, W) + b
# 损失函数
lost = tf.reduce_sum(tf.pow((result - y), 2))
# 优化
train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
with tf.Session() as sess:
# 初始化变量
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver(max_to_keep=3)
# 这里x、y给固定的值
x_s = [[3.0]]
y_s = [[100.0]]
step = 0
while (True):
step += 1
feed = {x: x_s, y: y_s}
# 通过sess.run执行优化
sess.run(train_step, feed_dict=feed)
if step % 1000 == 0:
print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
print ''
# print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
print 'final result of {0} = {1}(目标值是100.0)'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
print ''
print("模型保存的W值 : %f" % sess.run(W))
print("模型保存的b : %f" % sess.run(b))
break
saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型
训练输出:
step: 1000, loss: 4.89526428282e-08
step: 2000, loss: 4.89526428282e-08
step: 3000, loss: 4.89526428282e-08
step: 4000, loss: 4.89526428282e-08
step: 5000, loss: 4.89526428282e-08
final result of x×W+b = [[99.99978]](目标值是100.0)
模型保存的W值 : 29.999931
模型保存的b : 9.999982
# -*- coding: utf-8 -*-)
import tensorflow as tf
# 声明占位变量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
with tf.Session() as sess:
# 初始化变量
sess.run(tf.global_variables_initializer())
# saver = tf.train.Saver(max_to_keep=3)
saver = tf.train.import_meta_graph(r'./save_model/re-train-5000.meta') # 加载模型图结构
saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢复数据
# 从保存模型中恢复变量
graph = tf.get_default_graph()
W = graph.get_tensor_by_name("w:0")
b = graph.get_tensor_by_name("b:0")
print("从保存的模型中恢复出来的W值 : %f" % sess.run("w:0"))
print("从保存的模型中恢复出来的b值 : %f" % sess.run("b:0"))
# 操作
result = tf.matmul(x, W) + b
# 损失函数
lost = tf.reduce_sum(tf.pow((result - y), 2))
# 优化
train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
# 这里x、y给固定的值
x_s = [[3.0]]
y_s = [[200.0]]
step = 0
while (True):
step += 1
feed = {x: x_s, y: y_s}
# 通过sess.run执行优化
sess.run(train_step, feed_dict=feed)
if step % 1000 == 0:
print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
print ''
# print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
print 'final result of {0} = {1}(目标值是200.0)'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
print("模型保存的W值 : %f" % sess.run(W))
print("模型保存的b : %f" % sess.run(b))
break
saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型
训练输出:
从保存的模型中恢复出来的W值 : 29.999931
从保存的模型中恢复出来的b值 : 9.999982
step: 1000, loss: 1.95810571313e-07
step: 2000, loss: 1.95810571313e-07
step: 3000, loss: 1.95810571313e-07
step: 4000, loss: 1.95810571313e-07
step: 5000, loss: 1.95810571313e-07
final result of x×W+b = [[199.99956]](目标值是200.0)
模型保存的W值 : 59.999866
模型保存的b : 19.999958
总结
Saver类构造函数定义:
def __init__(self,
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=saver_pb2.SaverDef.V2,
pad_step_number=False,
save_relative_paths=False,
filename=None):
saver.save函数定义:
def save(self,
sess,
save_path,
global_step=None,
latest_filename=None,
meta_graph_suffix="meta",
write_meta_graph=True,
write_state=True,
strip_default_attrs=False):
从头开始训练一个模型,需要通过 tf.train.Saver创建一个保存器,完成之后使用save方法保存模型到本地:
saver = tf.train.Saver(max_to_keep=3)
...
saver.save(sess,"./saver_model/re-train",global_step=step) #保存模型
在训练好的模型上继续训练,fineturn一个模型,可以使用tf.train.import_meta_graph方法加载图结构,使用restore方法恢复训练数据,最后使用同样的save方法保存到本地:
saver=tf.train.import_meta_graph(r"./save_model/re-train-10050.meta") # 加载模型图结构
saver.restore(sess,tf.train.latest_checkpoint(r"./save_model")) # 恢复数据
saver.save(sess,"./save_mode/re-train",global_step=step) # 保存模型
注:特殊情况下(如本例)需要从恢复的模型中加载出数据:
# 从保存模型中恢复变量
graph=tf.get_default_graph()
W=graph.get_tensor_by_name("w:0")
b=graph.get_tensor_by_name("b:0")