tensorflow 恢复(restore)模型的两种方式

0.前言

首先我们要理解TensorFlow的一个规则，首先构建计算图（graph），然后初始化graph中的data，这两步是分开的。

 

1.如何恢复模型

有两种方式（这两种方式有比较大的不同）：

 

1.1 重新使用代码构建图

举个例子（完整代码）：

 

def build_graph():
    w1 = tf.Variable([1,3,10,15],name='W1',dtype=tf.float32)
    w2 = tf.Variable([3,4,2,18],name='W2',dtype=tf.float32)
    w3 = tf.placeholder(shape=[4],dtype=tf.float32,name='W3')
    w4 = tf.Variable([100,100,100,100],dtype=tf.float32,name='W4')
    add = tf.add(w1,w2,name='add')
    add1 = tf.add(add,w3,name='add1')
    return w3,add1

with tf.Session() as sess:
    ckpt_state = tf.train.get_checkpoint_state('./temp/')
    if ckpt_state:
        w3,add1=build_graph()
        saver = tf.train.Saver()
        saver.restore(sess, ckpt_state.model_checkpoint_path)
    else:
        w3,add1=build_graph()
        init_op = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
        sess.run(init_op)
        saver = tf.train.Saver()
    a = sess.run(add1,feed_dict={
            w3:[1,2,3,4]
        })
    print(a)
    saver.save(sess,'./temp/model'

上面的流程很简单，首先build_graph()，然后如果有ckpt文件就从该文件中读取数据，否则用sess.run(init_op)初始化数据。

那么第一种restore方法就出来了：

 

build_graph()
saver = tf.train.Saver()
saver.restore(sess, ckpt_state.model_checkpoint_path)

 

首先build graph，等于是将图重新建立了一遍，和之前图的一样，然后将ckpt文件里的数据restore到图里的变量里。

当然，在build graph的过程中，你可以在原有的图里加一些变量，但是加的变量一定要初始化，但是要注意到一个问题，如果使用：

 

init_op = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
sess.run(init_op)

 

这种方式时，如果定义init_op时的graph中已经存在原有图的变量，那么sess.run(init_op)会将加载进来的数据清空。

为了解决这个问题，两种方式：

新定义的变量放在init_op之前，在init_op之后restore（注意，加载好变量后才run(init_op)同样会覆盖）

即，init_op得到当前图中的所有变量，sess.run(init_op)对init_op中的变量进行初始化，所以什么时候定义init_op和什么时候运行run(init_op)都很重要
只初始化未初始化的变量

def get_uninitialized_variables(sess):
global_vars = tf.global_variables()

# print([str(i.name) for i in global_vars])

is_not_initialized = sess.run([tf.is_variable_initialized(var) for var in global_vars])
not_initialized_vars = [v for (v, f) in zip(global_vars, is_not_initialized) if not f]
print([str(i.name) for i in not_initialized_vars])
return not_initialized_vars
sess.run(tf.variables_initializer(get_uninitialized_variables(sess)))

PS：注意saver = tf.train.Saver()要定义在图构建完成之后

​   即将被restore的变量不用初始化，但是只有在restore之后，这些变量才会被初始化，所以在restore之前运行这些值会报没有初始化的错。

 

1.2 利用保存的.meta文件恢复图

上面的方式适用于断点续训，且自己有构建图的完整代码，如果我要用别人的网络（fine tune），或者在自己原有网络上修改（即修改原有网络的某个部分），那么将网络的图重新构建一遍会很麻烦，那么我们可以直接从.meta文件中加载网络结构。

 

1.2.1 get_tensor_by_name

完整代码：

 

def build_graph():
    w1 = tf.Variable([1,3,10,15],name='W1',dtype=tf.float32)
    w2 = tf.Variable([3,4,2,18],name='W2',dtype=tf.float32)
    w3 = tf.placeholder(shape=[4],dtype=tf.float32,name='W3')
    w4 = tf.Variable([100,100,100,100],dtype=tf.float32,name='W4')
    add = tf.add(w1,w2,name='add')
    add1 = tf.add(add,w3,name='add1')
    return w3,add1

with tf.Session() as sess:
    ckpt_state = tf.train.get_checkpoint_state('./temp/')
    if ckpt_state:
        saver = tf.train.import_meta_graph('./temp/model.meta')
        graph = tf.get_default_graph()
        w3 = graph.get_tensor_by_name('W3:0')
        add1 = graph.get_tensor_by_name('add1:0')
        saver.restore(sess, tf.train.latest_checkpoint('./temp/'))
        print(sess.run(tf.get_collection('w1')[0]))
    else:
        w3,add1=build_graph()
        init_op = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
        sess.run(init_op)
        saver = tf.train.Saver()
    a = sess.run(add1,feed_dict={
            w3:[1,2,3,4]
        })
    print(a)
    saver.save(sess,'./temp/model')

上面使用了import_meta_graph()来加载图，并用restore给变量赋值。

通过get_tensor_by_name来获取保存的图中的op或变量，之后可以对获取的值进行操作，如果之后save的话，也会将import_meta_graph()中图引用的部分保存下来。

 

1.2.2

 

def build_graph():
    w1 = tf.Variable([1,3,10,15],name='W1',dtype=tf.float32)
    w2 = tf.Variable([3,4,2,18],name='W2',dtype=tf.float32)
    w3 = tf.placeholder(shape=[4],dtype=tf.float32,name='W3')
    w4 = tf.Variable([100,100,100,100],dtype=tf.float32,name='W4')
    add = tf.add(w1,w2,name='add')
    add1 = tf.add(add,w3,name='add1')
    tf.add_to_collection('w1','W1:0')
    tf.add_to_collection('w3',w3)
    tf.add_to_collection('add1',add1)
    return w3,add1

with tf.Session() as sess:
    ckpt_state = tf.train.get_checkpoint_state('./temp/')
    if ckpt_state:
        saver = tf.train.import_meta_graph('./temp/model.meta')
        w3 = tf.get_collection('w3')[0]
        add1 = tf.get_collection('add1')[0]
        # run init_op before restore
        saver.restore(sess, tf.train.latest_checkpoint('./temp/'))
    else:
        w3,add1=build_graph()
        init_op = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
        sess.run(init_op)
        saver = tf.train.Saver()
    a = sess.run(add1,feed_dict={
            w3:[1,2,3,4]
        })
    print(a)
    saver.save(sess,'./temp/model')

通过import_meta_graph引进图，通过get_collection获得变量，其实和get_tensor_by_name差不多，但是可能会更方便一点。

 

2 总结

总的来说，两种方式都是先构造好图，然后通过restore来给图里的变量赋值。

一个常见的问题是，要引入新的变量，对以前的图进行改造，那么如何初始化新的变量且不覆盖原来的数据？

可以先啥都不管把所有的图相关的部分构造好后，得到init_op，然后在restore前run(init_op)
对未初始化的变量进行初始化