<meter id="xzewj"></meter>
      1. <noscript id="xzewj"></noscript>
      2. <video id="xzewj"></video>
          <table id="xzewj"></table>
          <noscript id="xzewj"></noscript>
        1. <pre id="xzewj"></pre>

          0315-5269188

          工作時間

          09:00 - 17:00

          數字生態·驅動未來 企業數字化管理解決方案
          當前位置:首頁 > 技術文檔

          Tensorflow加載預訓練模型和保存模型

          使用tensorflow過程中,訓練結束后我們需要用到模型文件。有時候,我們可能也需要用到別人訓練好的模型,并在這個基礎上再次訓練。這時候我們需要掌握如何操作這些模型數據??赐瓯疚?,相信你一定會有收獲!

          1 Tensorflow模型文件

          我們在checkpoint_dir目錄下保存的文件結構如下:

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

          1.1 meta文件

          MyModel.meta文件保存的是圖結構,meta文件是pb(protocol buffer)格式文件,包含變量、op、集合等。

          1.2 ckpt文件

          ckpt文件是二進制文件,保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前,保存在.ckpt文件中。0.11后,通過兩個文件保存,如:

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

          1.3 checkpoint文件

          我們還可以看,checkpoint_dir目錄下還有checkpoint文件,該文件是個文本文件,里面記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時,可以通過修改這個文件,指定使用哪個model

          2 保存Tensorflow模型

          tensorflow 提供了tf.train.Saver類來保存模型,值得注意的是,在tensorflow中,變量是存在于Session環境中,也就是說,只有在Session環境下才會存有變量值,因此,保存模型時需要傳入session:

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

          看一個簡單例子:

          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, './checkpoint_dir/MyModel')
           

          執行后,在checkpoint_dir目錄下創建模型文件如下:

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

          另外,如果想要在1000次迭代后,再保存模型,只需設置global_step參數即可:

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

          保存的模型文件名稱會在后面加-1000,如下:

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

          在實際訓練中,我們可能會在每1000次迭代中保存一次模型數據,但是由于圖是不變的,沒必要每次都去保存,可以通過如下方式指定不保存圖:

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

          另一種比較實用的是,如果你希望每2小時保存一次模型,并且只保存最近的5個模型文件:

          tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)
           

          注意:tensorflow默認只會保存最近的5個模型文件,如果你希望保存更多,可以通過max_to_keep來指定

          如果我們不對tf.train.Saver指定任何參數,默認會保存所有變量。如果你不想保存所有變量,而只保存一部分變量,可以通過指定variables/collections。在創建tf.train.Saver實例時,通過將需要保存的變量構造list或者dictionary,傳入到Saver中:

          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([w1,w2])
          sess = tf.Session()
          sess.run(tf.global_variables_initializer())
          saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)
           

          3 導入訓練好的模型

          在第1小節中我們介紹過,tensorflow將圖和變量數據分開保存為不同的文件。因此,在導入模型時,也要分為2步:構造網絡圖和加載參數

          3.1 構造網絡圖

          一個比較笨的方法是,手敲代碼,實現跟模型一模一樣的圖結構。其實,我們既然已經保存了圖,那就沒必要在去手寫一次圖結構代碼。

          saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
           

          上面一行代碼,就把圖加載進來了

          3.2 加載參數

          僅僅有圖并沒有用,更重要的是,我們需要前面訓練好的模型參數(即weights、biases等),本文第2節提到過,變量值需要依賴于Session,因此在加載參數時,先要構造好Session:

          import tensorflow as tf
          with tf.Session() as sess:
            new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
            new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
           

          此時,W1和W2加載進了圖,并且可以被訪問:

          import tensorflow as tf
          with tf.Session() as sess:    
              saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
              saver.restore(sess,tf.train.latest_checkpoint('./checkpoint_dir'))
              print(sess.run('w1:0'))
          ##Model has been restored. Above statement will print the saved value
           

          執行后,打印如下:

          [ 0.51480412 -0.56989086]

          4 使用恢復的模型

          前面我們理解了如何保存和恢復模型,很多時候,我們希望使用一些已經訓練好的模型,如prediction、fine-tuning以及進一步訓練等。這時候,我們可能需要獲取訓練好的模型中的一些中間結果值,可以通過graph.get_tensor_by_name('w1:0')來獲取,注意w1:0是tensor的name。

          假設我們有一個簡單的網絡模型,代碼如下:

          import tensorflow as tf
          
          
          w1 = tf.placeholder("float", name="w1")
          w2 = tf.placeholder("float", name="w2")
          b1= tf.Variable(2.0,name="bias") 
          
          #定義一個op,用于后面恢復
          w3 = tf.add(w1,w2)
          w4 = tf.multiply(w3,b1,name="op_to_restore")
          sess = tf.Session()
          sess.run(tf.global_variables_initializer())
          
          #創建一個Saver對象,用于保存所有變量
          saver = tf.train.Saver()
          
          #通過傳入數據,執行op
          print(sess.run(w4,feed_dict ={w1:4,w2:8}))
          #打印 24.0 ==>(w1+w2)*b1
          
          #現在保存模型
          saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)
           

          接下來我們使用graph.get_tensor_by_name()方法來操縱這個保存的模型。

          import tensorflow as tf
          
          sess=tf.Session()
          #先加載圖和參數變量
          saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
          saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
          
          
          # 訪問placeholders變量,并且創建feed-dict來作為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}
          
          #接下來,訪問你想要執行的op
          op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
          
          print(sess.run(op_to_restore,feed_dict))
          #打印結果為60.0==>(13+17)*2
           

          注意:保存模型時,只會保存變量的值,placeholder里面的值不會被保存

          如果你不僅僅是用訓練好的模型,還要加入一些op,或者說加入一些layers并訓練新的模型,可以通過一個簡單例子來看如何操作:

          import tensorflow as tf
          
          sess = tf.Session()
          # 先加載圖和變量
          saver = tf.train.import_meta_graph('my_test_model-1000.meta')
          saver.restore(sess, tf.train.latest_checkpoint('./'))
          
          # 訪問placeholders變量,并且創建feed-dict來作為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}
          
          #接下來,訪問你想要執行的op
          op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
          
          # 在當前圖中能夠加入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
          

          如果只想恢復圖的一部分,并且再加入其它的op用于fine-tuning。只需通過graph.get_tensor_by_name()方法獲取需要的op,并且在此基礎上建立圖,看一個簡單例子,假設我們需要在訓練好的VGG網絡使用圖,并且修改最后一層,將輸出改為2,用于fine-tuning新數據:

          ......
          ......
          saver = tf.train.import_meta_graph('vgg.meta')
          # 訪問圖
          graph = tf.get_default_graph() 
          
          #訪問用于fine-tuning的output
          fc7= graph.get_tensor_by_name('fc7:0')
          
          #如果你想修改最后一層梯度,需要如下
          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()

          地址:唐山市新華西道大洋商廈4層

          電話:0315-5269188

          電話:18633118288

          郵箱:52731887@qq.com

          為您提供專業的 唐山網頁設計 唐山網站建設 唐山網站制作 等優質的唐山網絡布線服務

          歡迎國內外/唐山網站建設,唐山網絡布線,唐山網站制作,網站設計服務公司同行與我們建立友情鏈接

          版權所有

        2. 唐山赫鳴科技有限公司 冀ICP備11004205號-1
        3. 99国精品午夜福利视频不卡99,特级欧美bbbbxxxx,吃奶摸下激烈床震视频大尺度,国产aⅴ精品一区二区三区尤物 裸模| 亚洲一区av在线观看无码| bgmbgmbgm胖老太太视频高清| 久久综合亚洲色1080p| 久久夜色精品国产欧美乱| 精品国产一区二区三区久久久狼| 国产精品免费久久久久影院仙踪林| 姐姐的朋友| 澳门四不像图正版资料大全|