模型的持久化——以MNIST为例

前面也写过一篇关于MNIST数据集的文章，这篇文章沿用之前的LeNet模型，不同之处把训练和测试分成两个文件，另外，再加上使用Tensorflow的tf.train.Saver类这个API来保存和还原一个神经网络模型。

为什么需要模型持久化？
训练过神经网络的都知道，每次训练都会耗时许久，如果中途遇到意外中断，就要从头开始，未免代价太大，为此，就需要将有用的模型保存下来，方便下次使用。

模型如何初始化？

# -*- coding: utf-8 -*-
"""
Created on Fri Apr 20 20:50:08 2018
代码来源TensorFlow实战Google深度学习框架
@author: dbsdz
"""

import tensorflow as tf
#声明两个变量并计算他们的和
v1 = tf.Variable([1.0], dtype=tf.float32, name='v1')
v2 = tf.Variable([2.0], dtype=tf.float32, name='v2')
result = v1+v2
init = tf.global_variables_initializer()
saver = tf.train.Saver()        #声明tf.train.Saver()类用于保存模型
path_model = './model.ckpt'
with tf.Session() as sess:
    sess.run(init)
    saver.save(sess, path_model)

用saver.save函数将模型保存到当前文件夹下，生成四个文件

model.ckpt.meta文件保存了Tensorflow的计算图，model.ckpt两个保存了Tensorflow中每一个变量的取值，checkpoint文件保存了目录下所有模型文件列表。

# -*- coding: utf-8 -*-
"""
Created on Fri Apr 20 20:53:30 2018
@author: dbsdz
"""

import tensorflow as tf
#使用和保存模型代码中一样的方式来声明变量
v1 = tf.Variable([1.0], dtype=tf.float32, name='v1')
v2 = tf.Variable([2.0], dtype=tf.float32, name='v2')
result = v1+v2

saver = tf.train.Saver()
path_model = './model.ckpt'
with tf.Session() as sess:
    #加载已保存的模型，并通过已经保存的模型中变量的值来计算加法
    saver.restore(sess, path_model)
    print(sess.run(result))

在加载模型的代码中没有初始化变量，直接加载保存的模型。
下面把改进后的MNIST数据集分类代码粘上来，有关持久化的部分在文中有说明

# -*- coding: utf-8 -*-
"""
Created on Sun Feb 11 14:53:36 2018
TF实战Google深度学习框架p126

@author: Zfw
"""

import tensorflow as tf

# 定义神经网络相关的参数
INPUT_NODE = 784            #输入层的节点数，对于mnist就等于图片的像素
OUTPUT_NODE = 10            #输出层的节点数，
LAYER1_NODE = 500           #隐藏层节点数

IMAGE_SIZE = 28
NUM_CHANNELS = 1
NUM_LABELS = 10

# 第一层卷积层的尺寸和深度
CONV1_DEEP = 32
CONV1_SIZE = 3
# 第二层卷积层的尺寸和深度
CONV2_DEEP = 64
CONV2_SIZE = 3
# 全连接层的节点个数
FC_SIZE = 512

# 定义神经网络的前向传播过程。
# 这里添加了一个新的参数train，类型为布尔，用于区别训练过程True和测试过程False。
# 在这个程序中将用到dropout方法，dropout可以进一步提升模型可靠性并防止过拟合，
#dropout过程只在训练时使用。
def inference(input_tensor, train, regularizer):
    # 声明第一层神经网络的变量并完成前向传播过程。通过使用不同的命名空间来隔离不同层的变量，
    # 这可以让每一层中的变量命名只需要考虑在当前层的作用，而不需要担心重名的问题。
    # 和标准LeNet-5模型不大一样，这里定义卷积层的输入为28*28*1的原始MNIST图片像素。
    # 因为卷积层中使用了全0填充，所以输出为28*28*32的矩阵。
    with tf.variable_scope('layer1-conv1', reuse=tf.AUTO_REUSE):
        # 这里使用tf.get_variable或tf.Variable没有本质区别，
        #因为在训练或是测试中没有在同一个程序中多次调用这个函数。
        # 如果在同一个程序中多次调用，在第一次调用之后需要将reuse参数置为True。
        conv1_weights = tf.get_variable(
            "weight", [CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_DEEP],
            initializer = tf.truncated_normal_initializer(stddev=0.1)
        )
        conv1_biases = tf.get_variable("bias", [CONV1_DEEP], 
                                       initializer=tf.constant_initializer(0.0))
        # 使用边长为5，深度为32的过滤器，过滤器移动的步长为1，且使用全0填充
        conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1],
                             padding='SAME')
        relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))

    # 实现第二层池化层的前向传播过程。
    # 这里选用最大池化层，池化层过滤器的边长为2，使用全0填充且移动的步长为2。
    # 这一层的输入是上一层的输出，也就是28*28*32的矩阵。输出为14*14*32的矩阵。
    with tf.name_scope('layer2-pool'):
        pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
                               padding='SAME')

    # 声明第三层卷积层的变量并实现前向传播过程。
    # 这一层的输入为14*14*32的矩阵，输出为14*14*64的矩阵。
    with tf.variable_scope('layer3-conv2',reuse = tf.AUTO_REUSE):
        conv2_weights = tf.get_variable(
            "weight", [CONV2_SIZE, CONV2_SIZE, CONV1_DEEP, CONV2_DEEP],
            initializer = tf.truncated_normal_initializer(stddev=0.1)
        )
        conv2_biases = tf.get_variable("bias", [CONV2_DEEP],
                                       initializer=tf.constant_initializer(0.0))
        # 使用边长为5，深度为64的过滤器，过滤器移动的步长为1，且使用全0填充
        conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], 
                             padding='SAME')
        relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))

    # 实现第四层池化层的前向传播过程。
    # 这一层和第二层的结构是一样的。这一层的输入为14*14*64的矩阵，输出为7*7*64的矩阵。
    with tf.name_scope('layer4-poo2'):
        pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
                               padding='SAME')

    # 将第四层池化层的输出转化为第五层全连接层的输入格式。
    # 第四层的输出为7*7*64的矩阵，然而第五层全连接层需要的输入格式为向量，
    #所以在这里需要将这个7*7*64的矩阵拉直成一个向量。
    # pool2.get_shape函数可以得到第四层输出矩阵的维度而不需要手工计算。
    # 注意因为每一层神经网络的输入输出都为一个batch的矩阵，所以这里得到的维度也包含了一个batch中数据的个数。
    pool_shape = pool2.get_shape().as_list()
    # 计算将矩阵拉直成向量之后的长度，这个长度就是矩阵长度及深度的乘积。
    # 注意这里pool_shape[0]为一个batch中样本的个数。
    nodes = pool_shape[1] * pool_shape[2] * pool_shape[3]
    # 通过tf.reshape函数将第四层的输出变成一个batch的向量。
    reshaped = tf.reshape(pool2, [pool_shape[0], nodes])

    # 声明第五层全连接层的变量并实现前向传播过程。
    # 这一层的输入是拉直之后的一组向量，向量长度为7*7*64=3136，输出是一组长度为512的向量。
    # 这一层和之前在第5章中介绍的基本一致，唯一的区别是引入了dropout的概念。
    # dropout在训练时会随机将部分节点的输出改为0。
    # dropout可以避免过拟合问题，从而使得模型在测试数据上的效果更好。
    # dropout一般只在全连接层而不是卷积层或者池化层使用。
    with tf.variable_scope('layer5-fc1',reuse = tf.AUTO_REUSE):
        fc1_weights = tf.get_variable("weight", [nodes, FC_SIZE],
                      initializer = tf.truncated_normal_initializer(stddev = 0.1))
        # 只有全连接层的权重需要加入正则化
        if regularizer != None:
            tf.add_to_collection('losses', regularizer(fc1_weights))
        fc1_biases = tf.get_variable('bias', [FC_SIZE], 
                                     initializer = tf.constant_initializer(0.1))
        fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_weights)+fc1_biases)
        if train:
            fc1 = tf.nn.dropout(fc1, 0.5)

    # 声明第六层全连接层的变量并实现前向传播过程。
    # 这一层的输入是一组长度为512的向量，输出是一组长度为10的向量。
    # 这一层的输出通过Softmax之后就得到了最后的分类结果。
    with tf.variable_scope('layer6-fc2',reuse = tf.AUTO_REUSE):
        fc2_weights = tf.get_variable("weight", [FC_SIZE, NUM_LABELS],
                 initializer = tf.truncated_normal_initializer(stddev = 0.1))
        if regularizer != None:
            tf.add_to_collection('losses', regularizer(fc2_weights))
        fc2_biases = tf.get_variable('bias', [NUM_LABELS], 
                           initializer = tf.constant_initializer(0.1))
        logit = tf.matmul(fc1, fc2_weights) + fc2_biases

    # 返回第六层的输出
    return logit

这是训练部分的程序

# -*- coding: utf-8 -*-
"""
Created on Sun Feb 11 14:54:24 2018
TF实战Google深度学习框架p126
http://blog.csdn.net/NNNNNNNNNNNNY/article/details/70216265
http://blog.csdn.net/Jerr__y/article/details/70809528
@author: Zfw
"""

import os
import numpy as np
import sys

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载mnist_inference.py中定义的常量和前向传播的函数
import mnist_inference

# 配置神经网络的参数
BATCH_SIZE = 100                #一个训练batch中的训练数据格式
LEARNING_RATE_BASE = 0.01         #基础学习率
LEARNING_RATE_DECAY = 0.99        #学习率的衰减率
REGULARAZTION_RATE = 0.0001       #描述模型复杂度的正则化项在损失函数中的系数
TRAINING_STEPS = 1000            #训练轮数最大5000就可以了
MOVING_AVERAGE_DECAY = 0.99       #滑动平均衰减率
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "model/"
MODEL_NAME = "model.ckpt"

def train(mnist):
    # 定义输入输出placeholder
    # 调整输入数据placeholder的格式，输入为一个四维矩阵
    x = tf.placeholder(tf.float32, [
        BATCH_SIZE,                             # 第一维表示一个batch中样例的个数
        mnist_inference.IMAGE_SIZE,             # 第二维和第三维表示图片的尺寸
        mnist_inference.IMAGE_SIZE,
        mnist_inference.NUM_CHANNELS],          # 第四维表示图片的深度，对于RBG格式的图片，深度为3
                       name='x-input')
    y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
    #计算l2正则化损失函数
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    # 直接使用mnist_inference.py中定义的前向传播过程
    y = mnist_inference.inference(x, True, regularizer)
    global_step = tf.Variable(0, trainable=False)   #将训练轮数的变量指定为不可训练的参数

    #定义损失函数、学习率、滑动平均操作以及训练过程
    #初始化滑动平均类，在所有代表神经网络的参数的变量上使用滑动平均。
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, 
                                                          global_step)
    variable_averages_op = variable_averages.apply(tf.trainable_variables())

    #只有一个正确答案时使用sparse_softmax_cross_entropy_with_logits加快交叉熵的计算。
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, 
                                                    labels=tf.argmax(y_, 1))
    #计算当前batch中样例的交叉熵平均值
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    #总的损失等于交叉熵损失和正则化损失的和
    loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
    #设置指数述案件的学习率
    learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE, global_step,
                                               mnist.train.num_examples/BATCH_SIZE, 
                                               LEARNING_RATE_DECAY)
    #使用GradientDescentOptimizer优化算法来优化损失函数
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,
                                                  global_step=global_step)
    with tf.control_dependencies([train_step, variable_averages_op]):
        train_op = tf.no_op(name='train')

    # 初始化Tensorflow持久化类 
    saver = tf.train.Saver()
    # 直接加载持久化的图
    with tf.Session() as sess: 
        # tf.train.get_checkpoint_state函数会通过checkpoint文件自动找到目录中最新模型的文件名
        #如果有就使用之前的模型，但是网络模型改动太多的话，重新训练
        ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
        if ckpt and ckpt.model_checkpoint_path:
            # 加载模型
            saver.restore(sess, ckpt.model_checkpoint_path)
        else:
            tf.global_variables_initializer().run()        #第一次运行程序使用这行语句
        # 验证和测试的过程将会有一个独立的程序来完成
        for i in range(TRAINING_STEPS):
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            #类似地将输入的训练数据格式调整为一个四维矩阵，并将这个调整后的数据传入sess.run过程
            reshaped_xs = np.reshape(xs, (BATCH_SIZE, mnist_inference.IMAGE_SIZE, 
                                          mnist_inference.IMAGE_SIZE, 
                                          mnist_inference.NUM_CHANNELS))
            _, loss_value, step = sess.run([train_op, loss, global_step], 
                                           feed_dict={x: reshaped_xs, y_: ys})
            #每100轮保存一次模型。
            if i%100 == 0:
                # 输出当前的训练情况。这里只输出了模型在当前训练batch上的损失函数大小。
                #通过损失函数的大小可以大概了解训练的情况。
                # 在验证数据集上的正确率信息会有一个单独的程序来生成。
                print("After %d training step(s), loss on training batch is %f." 
                      % (step, loss_value))
                # 保存当前的模型。注意这里隔出了global_step参数，这样可以让每个被保存模型的文件名
                #末尾加上训练的轮数，比如“model.ckpt-1000”表示训练1000轮后得到的模型
                saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), 
                           global_step=global_step)
        sys.exit()     

def main(argv=None):
    mnist = input_data.read_data_sets("MNIST/", one_hot=True)
    train(mnist)


if __name__ == '__main__':
    tf.app.run()

这是测试部分的程序

# -*- coding: utf-8 -*-
"""
Created on Sun Feb 11 14:52:11 2018
TF实战Google深度学习框架p126

@author: Zfw
"""
import time
import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载mnist_inference.py 和 mnist_train.py中定义的常量和函数
import mnist_inference
import mnist_train

# 每10秒加载一次最新的模型， 并在测试数据上测试最新模型的正确率
EVAL_INTERVAL_SECS = 10


def evaluate(mnist):
    with tf.Graph().as_default() as g:
        # 定义输入输出的格式
        x = tf.placeholder(tf.float32, [
            mnist.validation.num_examples,           # 第一维表示样例的个数
            mnist_inference.IMAGE_SIZE,             # 第二维和第三维表示图片的尺寸
            mnist_inference.IMAGE_SIZE,             # 第四维表示图片的深度
            mnist_inference.NUM_CHANNELS],         #对于RBG格式的图片，深度为3
                       name='x-input')
        y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], 
                            name='y-input')

        validate_feed = {x: np.reshape(mnist.validation.images, 
                                           (mnist.validation.num_examples, 
                                            mnist_inference.IMAGE_SIZE, 
                                            mnist_inference.IMAGE_SIZE, 
                                            mnist_inference.NUM_CHANNELS)
                                        ),
                         y_: mnist.validation.labels}
        # 直接通过调用封装好的函数来计算前向传播的结果。
        # 因为测试时不关注正则损失的值，所以这里用于计算正则化损失的函数被设置为None。
        y = mnist_inference.inference(x, False, None)

        # 使用前向传播的结果计算正确率。
        # 如果需要对未知的样例进行分类，那么使用tf.argmax(y, 1)就可以得到输入样例的预测类别了。
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        # 通过变量重命名的方式来加载模型，这样在前向传播的过程中就不需要调用求滑动平均的函数来获取平均值了。
        # 这样就可以完全共用mnist_inference.py中定义的前向传播过程
        variable_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY)
        variable_to_restore = variable_averages.variables_to_restore()
        saver = tf.train.Saver(variable_to_restore)

        #每隔EVAL_INTERVAL_SECS秒调用一次计算正确率的过程以检测训练过程中正确率的变化
        while True:
            with tf.Session() as sess:
                # tf.train.get_checkpoint_state函数会通过checkpoint文件自动找到目录中最新模型的文件名
                ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
                if ckpt and ckpt.model_checkpoint_path:
                    # 加载模型
                    saver.restore(sess, ckpt.model_checkpoint_path)
                    # 通过文件名得到模型保存时迭代的轮数
                    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
                    accuracy_score = sess.run(accuracy, feed_dict = validate_feed)
                    print("After %s training step(s), validation accuracy = %f" % \
                          (global_step, accuracy_score))
                else:
                    print("No checkpoint file found")
                    return
            time.sleep(EVAL_INTERVAL_SECS)


def main(argv=None):
    mnist = input_data.read_data_sets("MNIST/", one_hot=True)
    evaluate(mnist)


if __name__ == '__main__':
    tf.app.run()

训练完成之后会得到如下几个文件夹

点击mnist_train开始训练，在中途中断训练，restart kernel后重新训练如下图

可以看到在原来的位置继续开始训练，为什么需要restart kernel？因为程序中使用了
tf.get_variable函数，直接运行报错

• ValueError: Variable layer1-conv1/weight/ExponentialMovingAverage/
  already exists, disallowed. Did you mean to set reuse=True or
  reuse=tf.AUTO_REUSE in VarScope? Originally defined at:

尽管我在代码中已经修改过了，但貌似没有用，有知道的朋友麻烦说一哈:D
关于命名空间的更多问题，参见https://blog.csdn.net/Jerr__y/article/details/70809528

最后我们运行下mnist_eval来测试下准确率，结果如图

可以看到，测试程序只加载最新的模型进行验证。

总结：将训练部分和测试部分分成两个文件，使神经网络的模型更加清晰，拓展性更强。让模型得以持久化，以便于日后在云端上进行训练，或者进行迁移学习。