tensorflow: 保存和加载模型, 参数；以及使用预训练参数方法
1. 保存与加载模型参数import tensorflow as tftensorflow的保存和加载是通过tf.train.Saver类实现的, 她的构造函数是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):
其中var_list: 要保存/恢复的变量列表，or dict of names to variables. 如果为空，则默认所有的变量
reshape: 当shape不一样时是否允许恢复参数
sharded: if True, instructs the saver to shard checkpoints per device.
max_to_keep: 最多保存的checkpoints. Defaults to 5. checkpoints的区分在save时传递的global_step参数，用来表示第几次迭代。
keep_checkpoint_every_n_hours: How often to keep checkpoints. 每几个hour保留一个checkpoint.....
保存：saver.save(session, saved_path, global_step=None)
恢复：saver.restore(session, saved_path)
保存的文件有四种：
1、checkpoint，保存最近保存的模型的文件名，因此我们能够知道最近的模型名，可以通过调用tf.train.latest_checkpoint(dir)获知.
2、meta 图的结构，变量等信息.
3、data 参数值.
4、index 索引文件使用示例：
tf.reset_default_graph()
v1=tf.get_variable('v1', shape=[6], dtype=tf.float32, initializer=tf.truncated_normal_initializer())
v2=tf.get_variable('v2', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print('v1', sess.run(v1))
print('v2', sess.run(v2))
saver.save(sess, 'save/model')
v1 [ 1.88005733 -0.99327284 -1.19482517 -0.46593472 -0.1329312 -1.63472843]
v2 [-1.03660548 -1.61874151 -1.5886656 0.45553902 -1.24812245 -0.90952981]
tf.reset_default_graph()
v1=tf.get_variable('v1', shape=[6], dtype=tf.float32, initializer=tf.truncated_normal_initializer())
v2=tf.get_variable('v2', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
saver=tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('save/'))
print('v1', sess.run(v1))
print('v2', sess.run(v2))
INFO:tensorflow:Restoring parameters from save/model
INFO:tensorflow:Restoring parameters from save/model
v1 [ 1.88005733 -0.99327284 -1.19482517 -0.46593472 -0.1329312 -1.63472843]
v2 [-1.03660548 -1.61874151 -1.5886656 0.45553902 -1.24812245 -0.90952981]
至此，我们可以简单使用。但是当我们需要加载模型的时候呢，可以使用tf.train.import_meta_graph(), tensor获取通过tf.get_default_graph().get_tensor_by_name('') （不过一般我们都会有原来图的代码，所以一般不会用到。）
tf.reset_default_graph()
tf.train.import_meta_graph('save/model.meta')
saver=tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, 'save/model')
print(sess.run(tf.get_default_graph().get_tensor_by_name("v1:0")))
INFO:tensorflow:Restoring parameters from save/model
[ 1.88005733 -0.99327284 -1.19482517 -0.46593472 -0.1329312 -1.63472843]
介绍完基本使用，接下来如果我们的模型只有一部分是要加载参数时：
tf.reset_default_graph()
v1=tf.get_variable('v1', shape=[6], dtype=tf.float32, initializer=tf.truncated_normal_initializer())
v2=tf.get_variable('v2', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
v2=tf.get_variable('v3', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
saver=tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('save/'))
print('v1', sess.run(v1))
print('v2', sess.run(v2))
这个时候会报NotFoundError (see above for traceback): Key v3 not found in checkpoint 解决办法就是saver初始化要加上要保存的参数列表：
tf.reset_default_graph()
v1=tf.get_variable('v1', shape=[6], dtype=tf.float32, initializer=tf.truncated_normal_initializer())
v2=tf.get_variable('v2', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
v2=tf.get_variable('v3', shape=[6], dtype=tf.float32, initializer=tf.random_normal_initializer())
saver=tf.train.Saver([v1, v2])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print('v1', sess.run(v1))
print('v2', sess.run(v2))
saver.save(sess, 'save/model')
saver.restore(sess, tf.train.latest_checkpoint('save/'))
print('v1', sess.run(v1))
print('v2', sess.run(v2))
v1 [ 0.39415926 0.24765804 1.26394165 0.62132704 1.0527215 1.55297732]
v2 [ 0.56525308 1.07240736 -0.15881526 -1.1062392 -0.76180184 1.05873036]
INFO:tensorflow:Restoring parameters from save/model
v1 [ 0.39415926 0.24765804 1.26394165 0.62132704 1.0527215 1.55297732]
v2 [ 0.56525308 1.07240736 -0.15881526 -1.1062392 -0.76180184 1.05873036]
现在，当我们想要预训练的时候，就可以将预训练的相关参数放在列表中，然后保存。