TF模型文件查看与使用
转载 https://blog.csdn.net/zaf0516/article/details/89452912
重点学习：https://www.cnblogs.com/yibeimingyue/p/11921474.html
在本教程中，我将会解释：
- TensorFlow模型是什么样的？
- 如何保存TensorFlow模型？
- 如何恢复预测/转移学习的TensorFlow模型？
- 如何使用导入的预先训练的模型进行微调和修改?
这个教程假设你已经对神经网络有了一定的了解。如果不了解的话请查阅相关资料。
1. 什么是TensorFlow模型？
训练了一个神经网络之后，我们希望保存它以便将来使用。那么什么是TensorFlow模型?Tensorflow模型主要包含我们所培训的网络参数的网络设计或图形和值。因此，Tensorflow模型有四个主要的文件:
- checkpoint
- model.ckpt-0.data-00000-of-00001
- model.ckpt-0.index
- model.ckpt-0.meta
1.1 checkpoint文本文件
文本文件 通过文本编译器件（vim，gedit等） 可查看内容 记录保存了那些checkpoint，它只保存的最新保存的checkpoint文件的记录。
1.2 meta文件
这是一个协议缓冲区，它保存了完整的Tensorflow图形;即所有变量、操作、集合等，该文件以.meta作为扩展名,。model.ckpt-0.meta文件保存的是图结构，通俗地讲就是神经网络的网络结构。一般而言网络结构是不会发生改变，所以可以只保存一个就行了。我们可以使用下面的代码只在第一次保存meta文件：
saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
并且还可以使用tf.train.import_meta_graph(‘model.ckpt-0.meta’)能够导入图结构。
1.3 data文件
model.ckpt-0.data-00000-of-00001
数据文件，保存的是网络的权重、偏差、梯度和其他所有变量的值等等
1.4 index文件
model.ckpt-0.index是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等等。
Note： 因此，为了总结，对于大于0.10的版本，Tensorflow模型如下:
在0.11之前的Tensorflow模型仅包含三个文件:
- model.meta
- model.ckpt
- checkpoint
现在我们已经知道了Tensorflow模型的样子，接下来我们来看看TensorFlow是如何保存模型的。
2. 保存TensorFlow模型
比方说，你正在训练一个卷积神经网络来进行图像分类。作为一种标准的练习，你要时刻关注损失和准确率。一旦看到网络已经收敛，我们可以暂停模型的训练。在完成培训之后，我们希望将所有的变量和网络结构保存到一个文件中，以便将来使用。因此，在Tensorflow中，我们希望保存所有参数的图和值，我们将创建一个tf.train.Saver()类的实例
- saver = tf.train.Saver()
请记住，Tensorflow变量仅在会话中存在。因此，您必须在一个会话中保存模型，调用您刚刚创建的save方法。
- saver.save(sess, 'my-test-model')
这里，sess是会话对象，而'my-test-model'是保存的模型的名称。让我们来看一个完整的例子:
-
import tensorflow
as tf
-
w1 = tf.Variable(tf.random_normal(shape=[
2]), name=
'w1')
-
w2 = tf.Variable(tf.random_normal(shape=[
5]), name=
'w2')
-
saver = tf.train.Saver()
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
saver.save(sess,
'my_test_model')
-
-
# This will save following files in Tensorflow v >= 0.11
-
# my_test_model.data-00000-of-00001
-
# my_test_model.index
-
# my_test_model.meta
-
# checkpoint
如果我们在1000次迭代之后保存模型，我们将通过通过global_step来调用save:
saver.save(sess, 'my_test_model',global_step=1000)
这将会将'-1000'追加到模型名称，并创建以下文件:
- my_test_model-1000.index
- my_test_model-1000.meta
- my_test_model-1000.data-00000-of-00001
- checkpoint
比方说，在训练时，我们在每次1000次迭代后都保存模型，所以.meta文件是第一次创建的(在第1000次迭代中)，我们不需要每次都重新创建.meta文件(我们在2000，3000次没有保存.meta文件)。我们仅为进一步的迭代保存模型，因为图不会改变。因此，当我们不想保存meta-graph时，我们用这个:
- saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
如果你希望仅保留4个最新的模型，并且希望在训练过程中每两个小时后保存一个模型，那么你可以使用max_to_keep和keep_checkpoint_every_n_hours这样做。
- #saves a model every 2 hours and maximum 4 latest models are saved.
- saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)
注意，如果我们在tf.train.Saver()中没有指定任何东西，它将保存所有的变量。如果，我们不想保存所有的变量，而只是一些变量。我们可以指定要保存的变量/集合。在创建tf.train。保护程序实例，我们将它传递给我们想要保存的变量的列表或字典。让我们来看一个例子:
-
import tensorflow as tf
-
w1 = tf.Variable(tf.random_normal(shape=[
2]), name='w
1')
-
w2 = tf.Variable(tf.random_normal(shape=[
5]), name='w
2')
-
saver = tf.train.Saver([w
1,w
2])
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
saver.save(sess, 'my_test_model',global_step=
1000)
这可以用于在需要时保存特定的Tensorflow图。
3. 导入训练好的模型
如果你想用别人预先训练好的模型来进行微调，你需要做以下两件事:
- a)创建网络
你可以通过编写python代码创建网络，以手工创建每一层，并将其作为原始模型。但是，如果你考虑一下，我们已经在.meta文件中保存了这个网络，我们可以使用tf.train.import()函数来重新创建这个网络：
- saver = tf.train.import_meta_graph('my_test_model-1000.meta')
记住，import_meta_graph将在.meta文件中定义的网络附加到当前图。因此，这将为你创建图形/网络，但是我们仍然需要加载我们在这张图上训练过的参数的值。
- b)载入参数
我们可以通过调用这个保护程序的实例来恢复网络的参数，它是tf.train.Saver()类的一个实例。
-
with tf.Session()
as sess:
-
new_saver = tf.train.import_meta_graph(
'my_test_model-1000.meta')
-
new_saver.restore(sess, tf.train.latest_checkpoint(
'./'))
在此之后，像w1和w2这样的张量的值已经恢复并且可以被访问:
-
with tf.Session()
as sess:
-
saver = tf.train.import_meta_graph(
'my-model-1000.meta')
-
saver.restore(sess,tf.train.latest_checkpoint(
'./'))
-
print(sess.run(
'w1:0'))
-
##Model has been restored. Above statement will print the saved value of w1
因此，现在你已经了解了如何为Tensorflow模型保存和导入工作。在下一节中，我描述了上面的实际使用，以加载任何预先训练过的模型。
4.使用导入的模型
现在你已经了解了如何保存和恢复Tensorflow模型，让我们开发一个实用的例子来恢复任何预先训练的模型，并使用它进行预测、微调或进一步训练。当您使用Tensorflow时，你将定义一个图，该图是feed examples(训练数据)和一些超参数(如学习速率、迭代次数等)，它是一个标准的过程，我们可以使用占位符来存放所有的训练数据和超参数。接下来，让我们使用占位符构建一个小网络并保存它。注意，当网络被保存时，占位符的值不会被保存。
-
import tensorflow as tf
-
-
#Prepare to feed input, i.e. feed_dict and placeholders
-
w1 = tf.placeholder(
"float", name=
"w1")
-
w2 = tf.placeholder(
"float", name=
"w2")
-
b1= tf.Variable(
2.
0,name=
"bias")
-
feed_dict ={w
1:
4,w
2:
8}
-
-
#Define a test operation that we will restore
-
w3 = tf.add(w
1,w
2)
-
w4 = tf.multiply(w
3,b
1,name=
"op_to_restore")
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
-
#Create a saver object which will save all the variables
-
saver = tf.train.Saver()
-
-
#Run the operation by feeding input
-
print sess.run(w
4,feed_dict)
-
#Prints 24 which is sum of (w1+w2)*b1
-
-
#Now, save the graph
-
saver.save(sess, 'my_test_model',global_step=
1000)
现在，当我们想要恢复它时，我们不仅要恢复图和权重，还要准备一个新的feed_dict，它将把新的训练数据输入到网络中。我们可以通过graph.get_tensor_by_name()方法来引用这些保存的操作和占位符变量。
-
#How to access saved variable/Tensor/placeholders
-
w1 = graph.get_tensor_by_name(
"w1:0")
-
-
## How to access saved operation
-
op_to_restore = graph.get_tensor_by_name(
"op_to_restore:0")
如果我们只是想用不同的数据运行相同的网络，您可以简单地通过feed_dict将新数据传递给网络。
-
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 ={w
1:
13.
0,w
2:
17.
0}
-
-
#Now, access the op that you want to run.
-
op_to_restore = graph.get_tensor_by_name(
"op_to_restore:0")
-
-
print sess.run(op_to_restore,feed_dict)
-
#This will print 60 which is calculated
-
#using new values of w1 and w2 and saved value of b1.
如果你希望通过添加更多的层数并对其进行训练，从而向图中添加更多的操作，可以这样做
-
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 ={w
1:
13.
0,w
2:
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.
但是，你是否可以在之前图的结构上构建新的网络?当然，您可以通过graph.get_tensor_by_name()方法访问适当的操作，并在此基础上构建图。这是一个真实的例子。在这里，我们使用元图加载一个vgg预训练的网络，并在最后一层中将输出的数量更改为2，以便对新数据进行微调。
-
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()
原文链接：http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
-
#http://blog.csdn.net/u011961856/article/details/77064631
-
#coding:utf-8
-
#tensorflow模型保存文件分析
-
import tensorflow
as tf
-
import os
-
from tensorflow.python
import pywrap_tensorflow
-
-
#保存model
-
v1= tf.Variable(tf.random_normal([
784,
200], stddev=
0.35), name=
"v1")
-
v2= tf.Variable(tf.zeros([
200]), name=
"v2")
-
v3= tf.Variable(tf.zeros([
100]), name=
"v3")
-
saver = tf.train.Saver()
-
with tf.Session()
as sess:
-
init_op = tf.global_variables_initializer()
-
sess.run(init_op)
-
#saver.save(sess,"model.ckpt",global_step=1)
-
saver.save(sess,
"./model.ckpt")
-
-
#恢复model
-
with tf.Session()
as sess:
-
saver.restore(sess,
"./model.ckpt")
-
-
#http://blog.csdn.net/u010698086/article/details/77916532
-
#显示打印模型的信息
-
model_dir =
"./"
-
checkpoint_path = os.path.join(model_dir,
"model.ckpt")
-
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
-
var_to_shape_map = reader.get_variable_to_shape_map()
-
for key
in var_to_shape_map:
-
print(
"tensor_name: ", key)
-
print(reader.get_tensor(key))
# Remove this is you want to print only variable names
打印输出信息如下所示：
-
INFO:tensorflow:Restoring
parameters
from
./model.ckpt
-
tensor_name:
v3_3
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.]
-
tensor_name:
v3_2
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.]
-
tensor_name:
v1
-
[[
-0.3360755
0.17435378
-0.21852724
...
-0.240392
-0.03208964
-
-0.17680697]
-
[
-0.4513908
-0.34424284
-0.25750157
...
-0.54020494
0.41601658
-
0.08595411]
-
[
0.0906027
-0.15999033
0.26511908
...
0.34437048
-0.3420739
-
-0.25721186]
-
...
-
[
-0.10142479
-0.60690624
0.41174182
...
-0.00569173
-0.08803347
-
-0.01931518]
-
[
0.02599987
-0.20910595
0.39164847
...
-0.2520184
-0.08555854
-
0.21419163]
-
[
0.1576431
0.22719495
0.6047162
...
0.06570618
-0.49261582
-
-0.35603577]]
-
tensor_name:
v1_2
-
[[
-0.31785122
-0.25029796
-0.3444605
...
0.4332277
0.01690841
-
-0.0906124 ]
-
[
0.4852644
0.14345372
0.1755701
...
-0.1110902
0.7012865
-
0.38356403]
-
[
0.19159386
-0.63074803
0.38781846
...
-0.10130755
-0.02663931
-
-0.02549595]
-
...
-
[
0.34880626
-0.7524641
-0.4202907
...
-0.4310543
-0.6030413
-
0.3364726 ]
-
[
-0.37088528
-0.12170709
-0.0884001
...
0.2371711
-0.29549968
-
-0.04758374]
-
[
0.3682225
-0.3949281
-0.27653605
...
-0.13212644
-0.00122805
-
0.32343385]]
-
tensor_name:
v2_2
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.]
-
tensor_name:
v1_1
-
[[
-0.23152769
0.00163396
0.56853384
...
0.3459633
0.3753062
-
0.25371227]
-
[
-0.09282671
-0.43815684
0.5516466
...
-0.42980105
0.07028434
-
-0.0762074 ]
-
[
-0.38277933
-0.1303359
-0.4862339
...
-0.13388814
0.02422328
-
0.12568748]
-
...
-
[
-0.03882189
-0.21227814
-0.3169549
...
-0.18124004
-0.4819063
-
0.37770882]
-
[
-0.43946865
-0.5116941
0.08759964
...
-0.3406885
-0.00300911
-
0.24031074]
-
[
0.58032805
-0.45384437
-0.20021668
...
0.18628885
-0.09368188
-
-0.13936333]]
-
tensor_name:
v1_3
-
[[
0.02487348
-0.390618
0.03343801
...
0.35162905
0.18742779
-
0.11800011]
-
[
-0.5834042
0.16246173
-0.35430044
...
-0.41480464
-0.15282722
-
-0.46539015]
-
[
0.5422824
0.09918968
-0.51139057
...
-0.6354602
0.5885244
-
0.40423024]
-
...
-
[
0.7638771
-0.33223122
-0.18970515
...
-0.08609383
0.07780099
-
0.10761859]
-
[
0.04166194
-0.54912055
-0.20711236
...
-1.0222144
0.06175939
-
-0.28183967]
-
[
0.00656916
0.30357412
-0.0949941
...
0.20553923
-0.31815213
-
-0.4711122 ]]
-
tensor_name:
v2
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.]
-
tensor_name:
v2_3
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.]
-
tensor_name:
v3_1
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.]
-
tensor_name:
v2_1
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.]
-
tensor_name:
v3
-
[
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
0
.
-
0
.
0
.
0
.
0
.]
从多个训练模型中找到最近训练保存的模型 tf.train.latest_checkpoint
-
model_path =
"."
-
if
not model_path.endswith(
'/'):
-
model_path +=
'/'
-
chkpt_fname = tf.train.latest_checkpoint(model_path)
-
print(
"model_name " + chkpt_fname)
-
-
with tf.Session()
as sess:
-
#saver.restore(sess, 'checkpoint/20000.ckpt')
-
saver.restore(sess, chkpt_fname)
打印输出：
参考资料：
- tensorflow 保存训练模型ckpt 查看ckpt文件中的变量名和对应值
- tensorflow保存checkpoint
- tensorflow saver和checkpoint总结
- tensorflow中的几种模型文件
- TensorFlow模型文件保存和读取
- https://blog.csdn.net/weixin_41997327/article/details/88097314
- https://blog.csdn.net/miao0967020148/article/details/89434253
- https://blog.csdn.net/zw__chen/article/details/82187324
- https://blog.csdn.net/chanbo8205/article/details/86554920
- https://blog.csdn.net/helei001/article/details/56489658