tensorflow保存模型和加载模型的方法(Python和Android)

一、tensorflow保存模型的几种方法：

(1) tf.train.saver()保存模型

使用 tf.train.saver()保存模型，该方法保存模型文件的时候会产生多个文件，会把计算图的结构和图上参数取值分成了不同的文件存储。这种方法是在TensorFlow中是最常用的保存方式。

例如：

import tensorflow as tf
# 声明两个变量
v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
init_op = tf.global_variables_initializer() # 初始化全部变量
saver = tf.train.Saver() # 声明tf.train.Saver类用于保存模型
with tf.Session() as sess:sess.run(init_op)print("v1:", sess.run(v1)) # 打印v1、v2的值一会读取之后对比print("v2:", sess.run(v2))saver_path = saver.save(sess, "save/model.ckpt")  # 将模型保存到save/model.ckpt文件print("Model saved in file:", saver_path)

运行后，会在save目录下保存了四个文件：

其中

checkpoint是检查点文件，文件保存了一个目录下所有的模型文件列表；
model.ckpt.meta文件保存了TensorFlow计算图的结构，可以理解为神经网络的网络结构，该文件可以被 tf.train.import_meta_graph 加载到当前默认的图来使用。
ckpt.data ：保存模型中每个变量的取值

参考资料： https://blog.csdn.net/michael_yt/article/details/74737489

https://blog.csdn.net/lwplwf/article/details/62419087

(2)tf.train.write_graph()

使用 tf.train.write_graph()保存模型，该方法只是保存了模型的结构，并不保存训练完毕的参数值。

(3)convert_variables_to_constants固化模型结构

很多时候，我们需要将TensorFlow的模型导出为单个文件（同时包含模型结构的定义与权重），方便在其他地方使用（如在Android中部署网络）。利用tf.train.write_graph()默认情况下只导出了网络的定义（没有权重），而利用tf.train.Saver().save()导出的文件graph_def与权重是分离的，因此需要采用别的方法。我们知道，graph_def文件中没有包含网络中的Variable值（通常情况存储了权重），但是却包含了constant值，所以如果我们能把Variable转换为constant，即可达到使用一个文件同时存储网络架构与权重的目标。

TensoFlow为我们提供了convert_variables_to_constants()方法，该方法可以固化模型结构，将计算图中的变量取值以常量的形式保存。而且保存的模型可以移植到Android平台。

参考资料：
【1】https://blog.csdn.net/sinat_29957455/article/details/78511119

【2】这里主要实现第三种方法，因为该方法保存的模型可以移植到Android平台运行。以下Python代码，都共享在

Github：https://github.com/PanJinquan/tensorflow-learning-tutorials/tree/master/MNIST-Demo；

【3】移植Android的详细过程可参考本人的另一篇博客资料《将tensorflow MNIST训练模型移植到Android》：

https://blog.csdn.net/guyuealian/article/details/79672257

二、训练和保存模型

以MNIST手写数字识别为例，这里首先使用Python版的TensorFlow实现SoftMax Regression分类器，并将训练好的模型的网络拓扑结构和参数保存为pb文件，其中convert_variables_to_constants函数，会将计算图中的变量取值以常量的形式保存：https://blog.csdn.net/sinat_29957455/article/details/78511119

#coding=utf-8
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
from tensorflow.python.framework import graph_util
print('tensortflow:{0}'.format(tf.__version__))mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)#create model
with tf.name_scope('input'):x = tf.placeholder(tf.float32,[None,784],name='x_input')#输入节点名：x_inputy_ = tf.placeholder(tf.float32,[None,10],name='y_input')
with tf.name_scope('layer'):with tf.name_scope('W'):#tf.zeros([3, 4], tf.int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]W = tf.Variable(tf.zeros([784,10]),name='Weights')with tf.name_scope('b'):b = tf.Variable(tf.zeros([10]),name='biases')with tf.name_scope('W_p_b'):Wx_plus_b = tf.add(tf.matmul(x, W), b, name='Wx_plus_b')y = tf.nn.softmax(Wx_plus_b, name='final_result')# 定义损失函数和优化方法
with tf.name_scope('loss'):loss = -tf.reduce_sum(y_ * tf.log(y))
with tf.name_scope('train_step'):train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)print(train_step)
# 初始化
sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)
# 训练
for step in range(100):batch_xs,batch_ys =mnist.train.next_batch(100)train_step.run({x:batch_xs,y_:batch_ys})# variables = tf.all_variables()# print(len(variables))# print(sess.run(b))# 测试模型准确率
pre_num=tf.argmax(y,1,output_type='int32',name="output")#输出节点名：output
correct_prediction = tf.equal(pre_num,tf.argmax(y_,1,output_type='int32'))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
a = accuracy.eval({x:mnist.test.images,y_:mnist.test.labels})
print('测试正确率：{0}'.format(a))# 保存训练好的模型
#形参output_node_names用于指定输出的节点名称,output_node_names=['output']对应pre_num=tf.argmax(y,1,name="output"),
output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def,output_node_names=['output'])
with tf.gfile.FastGFile('model/mnist.pb', mode='wb') as f:#’wb’中w代表写文件，b代表将数据以二进制方式写入文件。f.write(output_graph_def.SerializeToString())
sess.close()# 注：
# convert_variables_to_constants函数，会将计算图中的变量取值以常量的形式保存：https://blog.csdn.net/sinat_29957455/article/details/78511119

三、加载和测试

批量测试：

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
from PIL import Image
import matplotlib
import matplotlib.pyplot as plt#模型路径
model_path = 'model/mnist.pb'
#测试数据
mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)
x_test = mnist.test.images
x_labels = mnist.test.labels;with tf.Graph().as_default():output_graph_def = tf.GraphDef()with open(model_path, "rb") as f:output_graph_def.ParseFromString(f.read())tf.import_graph_def(output_graph_def, name="")with tf.Session() as sess:tf.global_variables_initializer().run()# x_test = x_test.reshape(1, 28 * 28)input_x = sess.graph.get_tensor_by_name("input/x_input:0")output = sess.graph.get_tensor_by_name("output:0")# 【1】下面是进行批量测试----------------------------------------------------------pre_num = sess.run(output, feed_dict={input_x: x_test})#利用训练好的模型预测结果#结果批量测试的准确率correct_prediction = tf.equal(pre_num, tf.argmax(x_labels, 1,output_type='int32'))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))acc = sess.run(accuracy, feed_dict={input_x: x_test})# a = accuracy.eval({x: mnist.test.images, y_: mnist.test.labels})print('测试正确率：{0}'.format(acc))#【2】下面是进行单张图片的测试-----------------------------------------------------testImage=x_test[0];test_input = testImage.reshape(1, 28 * 28)pre_num = sess.run(output, feed_dict={input_x: test_input})#利用训练好的模型预测结果print('模型预测结果为：',pre_num)#显示测试的图片testImage = testImage.reshape(28, 28)testImage=np.array(testImage * 255, dtype="int32")fig = plt.figure(), plt.imshow(testImage, cmap='binary')  # 显示图片plt.title("prediction result:"+str(pre_num))plt.show()#保存测定的图片testImage = Image.fromarray(testImage)testImage = testImage.convert('L')testImage.save("data/test_image.jpg")# matplotlib.image.imsave('data/name.jpg', im)sess.close()

单个样本测试：

import tensorflow as tf
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt#模型路径
model_path = 'model/mnist.pb'
#测试图片
testImage = Image.open("data/test_image.jpg");with tf.Graph().as_default():output_graph_def = tf.GraphDef()with open(model_path, "rb") as f:output_graph_def.ParseFromString(f.read())tf.import_graph_def(output_graph_def, name="")with tf.Session() as sess:tf.global_variables_initializer().run()# x_test = x_test.reshape(1, 28 * 28)input_x = sess.graph.get_tensor_by_name("input/x_input:0")output = sess.graph.get_tensor_by_name("output:0")#对图片进行测试testImage=testImage.convert('L')testImage = testImage.resize((28, 28))test_input=np.array(testImage)test_input = test_input.reshape(1, 28 * 28)pre_num = sess.run(output, feed_dict={input_x: test_input})#利用训练好的模型预测结果print('模型预测结果为：',pre_num)#显示测试的图片# testImage = test_x.reshape(28, 28)fig = plt.figure(), plt.imshow(testImage,cmap='binary')  # 显示图片plt.title("prediction result:"+str(pre_num))plt.show()

读取图片进行测试：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
#模型路径
model_path = 'model/mnist.pb'
#测试图片
testImage = cv.imread("data/test_image.jpg");with tf.Graph().as_default():output_graph_def = tf.GraphDef()with open(model_path, "rb") as f:output_graph_def.ParseFromString(f.read())tf.import_graph_def(output_graph_def, name="")with tf.Session() as sess:tf.global_variables_initializer().run()# x_test = x_test.reshape(1, 28 * 28)input_x = sess.graph.get_tensor_by_name("input/x_input:0")output = sess.graph.get_tensor_by_name("output:0")#对图片进行测试testImage=cv.cvtColor(testImage, cv.COLOR_BGR2GRAY)testImage=cv.resize(testImage,dsize=(28, 28))test_input=np.array(testImage)test_input = test_input.reshape(1, 28 * 28)pre_num = sess.run(output, feed_dict={input_x: test_input})#利用训练好的模型预测结果print('模型预测结果为：',pre_num)# cv.imshow("image",testImage)# cv.waitKey(0)#显示测试的图片fig = plt.figure(), plt.imshow(testImage,cmap='binary')  # 显示图片plt.title("prediction result:"+str(pre_num))plt.show()

源码Github：https://github.com/PanJinquan/MNIST-TensorFlow-Python

上面TensorFlow保存训练好的模型，可以移植到Android，详细过程可以参考另一篇博客资料《将tensorflow MNIST训练模型移植到Android》：https://blog.csdn.net/guyuealian/article/details/79672257