您现在的位置是:门户> 编程语言> Python

python使用tensorflow保存、加载和使用模型的方法
2021-04-27 92人围观 0条评论
简介本篇文章主要介绍了python使用tensorflow保存、加载和使用模型的方法,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧

    使用Tensorflow进行深度学习训练的时候,需要对训练好的网络模型和各种参数进行保存,以便在此基础上继续训练或者使用。介绍这方面的博客有很多,我发现写的最好的是这一篇官方英文介绍:

    http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/

    我对这篇文章进行了整理和汇总。

    首先是模型的保存。直接上代码:

    #!/usr/bin/env python 
    #-*- coding:utf-8 -*- 
    ############################ 
    #File Name: tut1_save.py 
    #Author: Wang  
    #Mail: wang19920419@hotmail.com 
    #Created Time:2017-08-30 11:04:25 
    ############################ 
     
    import tensorflow as tf 
     
    # prepare to feed input, i.e. feed_dict and placeholders 
    w1 = tf.Variable(tf.random_normal(shape = [2]), name = 'w1') # name is very important in restoration 
    w2 = tf.Variable(tf.random_normal(shape = [2]), name = 'w2') 
    b1 = tf.Variable(2.0, name = 'bias1') 
    feed_dict = {w1:[10,3], w2:[5,5]} 
     
    # define a test operation that will be restored 
    w3 = tf.add(w1, w2) # without name, w3 will not be stored 
    w4 = tf.multiply(w3, b1, name = "op_to_restore") 
     
    #saver = tf.train.Saver() 
    saver = tf.train.Saver(max_to_keep = 4, keep_checkpoint_every_n_hours = 1) 
    sess = tf.Session() 
    sess.run(tf.global_variables_initializer()) 
    print sess.run(w4, feed_dict) 
    #saver.save(sess, 'my_test_model', global_step = 100) 
    saver.save(sess, 'my_test_model') 
    #saver.save(sess, 'my_test_model', global_step = 100, write_meta_graph = False) 
    

    需要说明的有以下几点:

    1. 创建saver的时候可以指明要存储的tensor,如果不指明,就会全部存下来。在这里也可以指明最大存储数量和checkpoint的记录时间。具体细节看英文博客。

    2. saver.save()函数里面可以设定global_step和write_meta_graph,meta存储的是网络结构,只在开始运行程序的时候存储一次即可,后续可以通过设置write_meta_graph = False加以限制。

    3. 这个程序执行结束后,会在程序目录下生成四个文件,分别是.meta(存储网络结构)、.data和.index(存储训练好的参数)、checkpoint(记录最新的模型)。

    下面是如何加载已经保存的网络模型。这里有两种方法,第一种是saver.restore(sess, 'aaaa.ckpt'),这种方法的本质是读取全部参数,并加载到已经定义好的网络结构上,因此相当于给网络的weights和biases赋值并执行tf.global_variables_initializer()。这种方法的缺点是使用前必须重写网络结构,而且网络结构要和保存的参数完全对上。第二种就比较高端了,直接把网络结构加载进来(.meta),上代码:

    #!/usr/bin/env python 
    #-*- coding:utf-8 -*- 
    ############################ 
    #File Name: tut2_import.py 
    #Author: Wang  
    #Mail: wang19920419@hotmail.com 
    #Created Time:2017-08-30 14:16:38 
    ############################  
    import tensorflow as tf 
    sess = tf.Session() 
    new_saver = tf.train.import_meta_graph('my_test_model.meta') 
    new_saver.restore(sess, tf.train.latest_checkpoint('./')) 
    print sess.run('w1:0') 

    使用加载的模型,输入新数据,计算输出,还是直接上代码:

    #!/usr/bin/env python 
    #-*- coding:utf-8 -*- 
    ############################ 
    #File Name: tut3_reuse.py 
    #Author: Wang 
    #Mail: wang19920419@hotmail.com 
    #Created Time:2017-08-30 14:33:35 
    ############################ 
     
    import tensorflow as tf 
     
    sess = tf.Session() 
     
    # First, load meta graph and restore weights 
    saver = tf.train.import_meta_graph('my_test_model.meta') 
    saver.restore(sess, tf.train.latest_checkpoint('./')) 
     
    # Second, access and create placeholders variables and create feed_dict to feed new data 
    graph = tf.get_default_graph() 
    w1 = graph.get_tensor_by_name('w1:0') 
    w2 = graph.get_tensor_by_name('w2:0') 
    feed_dict = {w1:[-1,1], w2:[4,6]} 
     
    # Access the op that want to run 
    op_to_restore = graph.get_tensor_by_name('op_to_restore:0') 
     
    print sess.run(op_to_restore, feed_dict)   # ouotput: [6. 14.] 
    
    

    在已经加载的网络后继续加入新的网络层:

    import tensorflow as tf 
    sess=tf.Session()   
    #First let's load meta graph and restore weights 
    saver = tf.train.import_meta_graph('my_test_model-1000.meta') 
    saver.restore(sess,tf.train.latest_checkpoint('./')) 
    
    # Now, let's access and create placeholders variables and 
    # create feed-dict to feed new data 
     
    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} 
     
    #Now, access the op that you want to run.  
    op_to_restore = graph.get_tensor_by_name("op_to_restore:0") 
     
    #Add more to the current graph 
    add_on_op = tf.multiply(op_to_restore,2) 
     
    print sess.run(add_on_op,feed_dict) 
    #This will print 120. 
    
    

    对加载的网络进行局部修改和处理(这个最麻烦,我还没搞太明白,后续会继续补充):

    ...... 
    ...... 
    saver = tf.train.import_meta_graph('vgg.meta') 
    # Access the graph 
    graph = tf.get_default_graph() 
    ## Prepare the feed_dict for feeding data for fine-tuning  
     
    #Access the appropriate output for fine-tuning 
    fc7= graph.get_tensor_by_name('fc7:0') 
     
    #use this if you only want to change gradients of the last layer 
    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() 

    有了这样的方法,无论是自行训练、加载模型继续训练、使用经典模型还是finetune经典模型抑或是加载网络跑前项,效果都是杠杠的。

    以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。

分享:

文章评论

    • wxpython 学习笔记 第一天
    • python文本数据处理学习笔记详解