Tensorflow加载预训练模型和保存模型

 

使用tensorflow过程中，训练结束后我们需要用到模型文件。有时候，我们可能也需要用到别人训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。

1 Tensorflow模型文件

我们在checkpoint_dir目录下保存的文件结构如下：

|--checkpoint_dir
|    |--checkpoint
|    |--MyModel.meta
|    |--MyModel.data-00000-of-00001
|    |--MyModel.index

1.1 meta文件

MyModel.meta文件保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。

1.2 ckpt文件

ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通过两个文件保存,如：

MyModel.data-00000-of-00001
MyModel.index

1.3 checkpoint文件

我们还可以看，checkpoint_dir目录下还有checkpoint文件，该文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference时，可以通过修改这个文件，指定使用哪个model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver类来保存模型，值得注意的是，在tensorflow中，变量是存在于Session环境中，也就是说，只有在Session环境下才会存有变量值，因此，保存模型时需要传入session：

saver = tf.train.Saver()
saver.save(sess,"./checkpoint_dir/MyModel")

看一个简单例子：

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()
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.save(sess, './checkpoint_dir/MyModel')

执行后，在checkpoint_dir目录下创建模型文件如下：

另外，如果想要在1000次迭代后，再保存模型，只需设置global_step参数即可：

saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

保存的模型文件名称会在后面加-1000,如下：

checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
MyModel-1000.meta

在实际训练中，我们可能会在每1000次迭代中保存一次模型数据，但是由于图是不变的，没必要每次都去保存，可以通过如下方式指定不保存图：

saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)

另一种比较实用的是，如果你希望每2小时保存一次模型，并且只保存最近的5个模型文件(tensorflow默认只会保存最近的5个模型文件，如果你希望保存更多，可以通过max_to_keep来指定,可以指定0或者None表示所有的都保存下来，但是这样的话如果模型很大就会很占据存储空间)：

如果我们不对tf.train.Saver指定任何参数，默认会保存所有变量。如果你不想保存所有变量，而只保存一部分变量，可以通过指定variables/collections。在创建tf.train.Saver实例时，通过将需要保存的变量构造list或者dictionary，传入到Saver中：

 

3 导入训练好的模型

3.1 使用meta文件导入训练好的模型

首先我们定义三个变量，用来模拟需要保存的模型参数：

import tensorflow as tf
# 在tensorflow中变量都有trainable参数，默认为True
w1 = tf.Variable(tf.random_normal(shape=[2,3]), name='w1',trainable=False) #将w1设置为不参与训练更新
w2 = tf.Variable(tf.random_normal(shape=[3,2]), name='w2')
w3 = tf.Variable(tf.random_normal(shape=[3,4]), name='w3')
# c = tf.matmul()
saver = tf.train.Saver([w1,w2])
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下来读取该模型，并将模型参数恢复，恢复完成以后查看其中恢复的数据：

主要包括两个要点：

1 tf.train.import_meta_graph()构造网络图

2 restore()加载参数

import tensorflow as tf
# 开始加载模型
ckpt = tf.train.get_checkpoint_state('./checkpoint_dir/')
with tf.Session() as sess:
    if ckpt and ckpt.model_checkpoint_path:
        print("Continue training from the model {}".format(ckpt.model_checkpoint_path))
        restore_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
        # latest_checkpoint()中的参数只需要指定checkpoint文件所在的文件夹
        restore_saver.restore(sess, ckpt.model_checkpoint_path)

        # trainable_variables()参数可指定scope作用域，即打印作用域中的参数
        for var in tf.trainable_variables():
            print(var)
        # 打印全局参数
        print(tf.global_variables())
        print(sess.run("w1:0"))
        print(sess.run("w2:0"))
        # 打印w3:0的值会报错： Attempting to use uninitialized value w3
        # 这样可以知道，前面tf.train.Saver()在保存的时候，变量名称其实都是保存了的，但是其中w3的值并没有保存下来
        # print(sess.run("w3:0"))

3.2 要重新定义相同参数的网络导入训练好的模型

1 还是先保存一个模型

import tensorflow as tf
import numpy as np

W = tf.Variable([[1, 2, 3], [3, 4, 5]], dtype=tf.float32, name='weights')
b = tf.Variable([[1, 2, 3]], dtype=tf.float32, name='biases')

saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    save_path = saver.save(sess, "checkpoint_dir/save_net.ckpt")

2 恢复模型

import tensorflow as tf
import numpy as np
# 至少需要定义一个需要恢复的变量，否则报错   ValueError: No variables to save
# 这里的W 和b  不在需要指定值，但是要确保  维度、数据类型和名称一致
W = tf.Variable(np.arange(6).reshape((2, 3)), dtype=tf.float32, name="weights")
b = tf.Variable(np.arange(3).reshape((1, 3)), dtype=tf.float32, name="biases")

saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "./checkpoint_dir/save_net.ckpt")
    print("weights:", sess.run(W))
    print("biases:", sess.run(b))

3.3 仅仅获取.ckpt模型文件中的内容

假如现在我只有一个模型文件，如vgg_16.ckpt模型文件，该模型文件是在tensorflow提供的model zoo中下载下来的。我们想在没有计算图的情形下查看里面包含哪些变量，变量的维度，以及变量的值，可以使用下面的代码：

import tensorflow as tf
import os
from tensorflow.python import  pywrap_tensorflow
model_dir ="./vgg_16_2016_08_28"
checkpoint_path = os.path.join(model_dir,"vgg_16.ckpt")

reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
# 输出权重tensor名字和值
for key in var_to_shape_map:
    # 分别打印张量名称，对应的shape
    print("tensor_name: ", key,reader.get_tensor(key).shape)
# 打印对应名称下的张量的值
print(reader.get_tensor("vgg_16/fc8/weights"))

4 使用恢复的模型

前面我们理解了如何保存和恢复模型，很多时候，我们希望使用一些已经训练好的模型，如prediction、fine-tuning以及进一步训练等。这时候，我们可能需要获取训练好的模型中的一些中间结果值，可以通过graph.get_tensor_by_name('w1:0')来获取，注意w1:0是tensor的name。

假设我们有一个简单的网络模型，代码如下：
 

import tensorflow as tf

w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")

#定义一个op，用于后面恢复
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    #创建一个Saver对象，用于保存所有变量
    saver = tf.train.Saver()

    #通过传入数据，执行op
    print(sess.run(w4,feed_dict ={w1:4,w2:8}))
    #打印 24.0 ==>(w1+w2)*b1

    #现在保存模型
    saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下来我们使用graph.get_tensor_by_name()方法来操纵这个保存的模型。

import tensorflow as tf
with tf.Session() as sess:
    #先加载图和参数变量
    saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
    # 这个打印只输出了bias:0，这意味着placeholder是不保存的
    for var in tf.trainable_variables():
        print(var)
    # 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
    graph = tf.get_default_graph()
    w1 = graph.get_tensor_by_name("w1:0")
    w2 = graph.get_tensor_by_name("w2:0")
    # 向placeholders变量插入新的值
    feed_dict ={w1:13.0,w2:17.0}

    #接下来，访问你想要执行的op
    op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

    print(sess.run(op_to_restore,feed_dict))
    #打印结果为60.0==>(13+17)*2

注意：保存模型时，只会保存变量的值，placeholder里面的值不会被保存

如果你不仅仅是用训练好的模型，还要加入一些op，或者说加入一些layers并训练新的模型，可以通过一个简单例子来看如何操作：

import tensorflow as tf

with tf.Session() as sess:
    # 先加载图和变量
    saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))

    # 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
    graph = tf.get_default_graph()
    w1 = graph.get_tensor_by_name("w1:0")
    w2 = graph.get_tensor_by_name("w2:0")
    feed_dict = {w1: 13.0, w2: 17.0}

    #接下来，访问你想要执行的op
    op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

    # 在当前图中能够加入op
    add_on_op = tf.multiply(op_to_restore, 2)

    print (sess.run(add_on_op, feed_dict))
    # 打印120.0==>(13+17)*2*2

 如果只想恢复图的一部分，并且再加入其它的op用于fine-tuning。只需通过graph.get_tensor_by_name()方法获取需要的op，并且在此基础上建立图，看一个简单例子，假设我们需要在训练好的VGG网络使用图，并且修改最后一层，将输出改为2，用于fine-tuning新数据：

......
......
saver = tf.train.import_meta_graph('vgg16.meta')
# 访问图
graph = tf.get_default_graph() 

#访问用于fine-tuning的output
fc7= graph.get_tensor_by_name('fc7:0')

#如果你想修改最后一层梯度，需要如下
fc7 = tf.stop_gradient(fc7) # It's an identity function
fc7_shape= fc7.get_shape().as_list()

num_outputs=10
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()

参考：

1 TensorFlow 模型文件

2 Tensorflow中保存与恢复模型tf.train.Saver类讲解（恢复部分模型参数的方法）

3 tensorflow模型保存读取

4 Tensorflow加载预训练模型和保存模型