Tensorflow: 保存和复原模型(save and restore)
目前我主要看到了两种方法来保存和复原tensorflow model，先总结一下:
MetaGraph
这种就是我们经常看到的 tf.train.Saver 对应的东西。使用这种方法保存模型，会产生两种文件。
- meta: 里面存储的是整个graph的定义
- checkpoint: 这里保存的是
variable的状态。
这里通过如下的方式保存一个模型
checkpoint_dir = "mysaver"
# first creat a simple graph
graph = tf.Graph()
#define a simple graph
with graph.as_default():
x = tf.placeholder(tf.float32,shape=[],name='input')
y = tf.Variable(initial_value=0,dtype=tf.float32,name="y_variable")
update_y = y.assign(x)
saver = tf.train.Saver(max_to_keep=3)
init_op = tf.global_variables_initializer()
# train the model and save the model every 4000 iterations.
sess = tf.Session(graph=graph)
sess.run(init_op)
for i in range(1,10000):
y_result = sess.run(update_y,feed_dict={x:i})
if i %4000 == 0:
saver.save(sess,checkpoint_dir,global_step=i) 这些是产生的文件
checkpoint
mysaver-4000.data-00000-of-00001
mysaver-4000.index
mysaver-4000.meta
mysaver-8000.data-00000-of-00001
mysaver-8000.index
mysaver-8000.meta
稍后我们可以复原model
tf.reset_default_graph()
restore_graph = tf.Graph()
with tf.Session(graph=restore_graph) as restore_sess:
restore_saver = tf.train.import_meta_graph('mysaver-8000.meta')
restore_saver.restore(restore_sess,tf.train.latest_checkpoint('./'))
print(restore_sess.run("y_variable:0"))上面这段python代码的输出如下:
INFO:tensorflow:Restoring parameters from ./mysaver-8000
8000.0因为最新的checkpoint文件是在 8000th iterations保存的，所以当model复原后 y_variable的值是 80000
SavedModel
还有一种保存模型的方法就是 SavedModel 。
这种方法我是在看tensorflow servicing的时候看到的，个人的感觉，这是一种更适合部署的方法。暂时没有去研究tensorflow servicing。但是我看很多代码都使用到了通过这种方式保存的文件。比如imagenet example。所以这里着重介绍怎么使用从别的地方拿到的SavedModel文件。
建立 SavedModel
主要分为三部
* 建立一个 tf.saved_model.builder.SavedModelBuilder.
* 使用刚刚建立的 builder把当前的graph和variable添加进去：SavedModelBuilder.add_meta_graph_and_variables(...)
* 可以使用 SavedModelBuilder.add_meta_graph 添加多个meta graph
复原 SavedModel
这个需要通过这个 model 来完成的：tf.saved_model.loader
通过命令来查看和执行SavedModel
上面的通过编程的方式来建立和复原SavedModel, 我现在基本上不需要发布模型给别人用，但是经常想使用一下别人已经训练好的模型。当拿到别人的模型的时候，需要知道怎么使用。官方提供了一个工具：saved_model_cli，这个工具包含了 show 和 run 两类命令
感兴趣的同学可以查看官方文档 或者这篇博客对应的 jupyter notebook
可视化 SavedModel
我们知道google提供 TensorBoard给我们可视化的调试tensorflow, tensorboard一个最基本的功能就是把graph展示出来。但是有时候我们拿到别人 SavedModel, 我们需要把这个model跑一遍，产生summary文件才能在tensorboard里面看。google deepdream 参考代码里面提供了一个很方便的代码可以让我们快速的把graph展示出来。代码如下, 这个代码是我也放到我的github了，大家也可以直接去看google deepdram 参考代码
# these function is copied from google deepdream example code
import numpy as np
from IPython.display import clear_output, Image, display, HTML
def strip_consts(graph_def, max_const_size=32):
"""Strip large constant values from graph_def."""
strip_def = tf.GraphDef()
for n0 in graph_def.node:
n = strip_def.node.add()
n.MergeFrom(n0)
if n.op == 'Const':
tensor = n.attr['value'].tensor
size = len(tensor.tensor_content)
if size > max_const_size:
tensor.tensor_content = tf.compat.as_bytes("" %size)
return strip_def
def rename_nodes(graph_def, rename_func):
res_def = tf.GraphDef()
for n0 in graph_def.node:
n = res_def.node.add()
n.MergeFrom(n0)
n.name = rename_func(n.name)
for i, s in enumerate(n.input):
n.input[i] = rename_func(s) if s[0]!='^' else '^'+rename_func(s[1:])
return res_def
def show_graph(graph_def, max_const_size=32):
"""Visualize TensorFlow graph."""
if hasattr(graph_def, 'as_graph_def'):
graph_def = graph_def.as_graph_def()
strip_def = strip_consts(graph_def, max_const_size=max_const_size)
code = """