训练好的模型需要保存下来或者加载已经训练完成的模型，就用到了ckpt文件。

1.了解tensorflow保存的文件
- （1）checkpoint
- （2）MyModel.meta
- （3）MyModel.index
- （4）MyModel.data-00000-of-00001
2.保存模型
- （1）通用形式
- （2）按照达到迭代次数后保存
- （3）按照达到时间后保存
- （4）保存部分变量
3.加载已经训练好的模型
- （1）第一步：加载网络图
- （2）第二步：加载参数
4.使用加载的已经保存的模型
Reference:

1.了解tensorflow保存的文件

使用tensorflow保存的文件一共4个，如下所示：
（其中，（3）和（4）是关联的文件）

（1）checkpoint

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）MyModel.meta

该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。

（3）MyModel.index

该文件是ckpt文件，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。

（4）MyModel.data-00000-of-00001

该文件是ckpt文件，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。

2.保存模型

（1）通用形式

tensorflow提供了tf.train.Saver类来保存模型。在tensorflow中，变量是存在于Session环境中，即只有在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()
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

之后就会有1.中所提的四个文件保存下来。

（2）按照达到迭代次数后保存

若想在设置的迭代次数后保存模型，则

saver = tf.train.Saver()
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel",global_step=100) #其中，100为迭代次数

这时，保存的三个（除checkpoint外）文件名就会在MyModel后.前加入“-100”。
实际训练可能会在每100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 = tf.train.Saver()
#训练模型的步骤
saver.save(sess,'./checkpoint_dir/MyModel',global_step=100,write_meta_graph=False)

（3）按照达到时间后保存

若想在设置的时间后保存模型，则

saver = tf.train.Saver(keep_checkpoint_every_n_hours=2) #每2个小时保存一次模型
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

另外，想每隔一段时间保存最近的几个模型，则

saver = tf.train.Saver(max_to_keep=5,keep_checkpoint_every_n_hours=2) #每2个小时保存最近5个模型文件
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

（4）保存部分变量

如果将tf.train.Saver不做任何设置，即tf.train.Saver()则保存全部变量，若想保存部分变量，则

saver = tf.train.Saver([w1,w2]) #保存w1和w2两个变量
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

3.加载已经训练好的模型

（1）第一步：加载网络图

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

把图加载。

（2）第二步：加载参数

即加载已经训练好的模型参数（即weights、biases等），变量值需要依赖于Session，因此在加载参数时，先要构造好Session：

import tensorflow as tf
with tf.Session() as sess:new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel.meta')new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))print(sess.run('w1:0')) #打印已经保存的变量

4.使用加载的已经保存的模型

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，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#定义变量
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")
sess = tf.Session()
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 tfsess=tf.Session()
#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'))# 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")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 tfsess = tf.Session()
# 先加载图和变量
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))# 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('vgg.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()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()

Reference:

[1] http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
[2] https://blog.csdn.net/huachao1001/article/details/78501928

Tensorflow保存模型和加载预训练模型相关推荐

tensorflow保存模型和加载模型的方法(Python和Android)
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.s ...
Keras框架下的保存模型和加载模型
在Keras框架下训练深度学习模型时,一般思路是在训练环境下训练出模型,然后拿训练好的模型(即保存模型相应信息的文件)到生产环境下去部署.在训练过程中我们可能会遇到以下情况: 需要运行很长时间的程序在 ...
Pytorch网络模型权重初始化、保存与加载模型、加载预训练模型、按需设置学习率
前言在我们对神经网络模型进行训练时,往往需要对模型进行初始化或者加载预训练模型.本文将对模型的权重初始化与加载预训练模型做一个学习记录,以便后续查询使用. 权重初始化常见的初始化方法 PyTorc ...
keras冻结_Keras 实现加载预训练模型并冻结网络的层
在解决一个任务时,我会选择加载预训练模型并逐步fine-tune.比如,分类任务中,优异的深度学习网络有很多. ResNet, VGG, Xception等等... 并且这些模型参数已经在imagen ...
MXNet快速入门之训练加载预训练模型(四)
前言在前面几篇文章中详细介绍了MXNet的一些特点以及入门基础知识,本篇文章主要介绍如何使用MXNet来训练模型.加载模型进行预测.预训练模型以及MXNet中GPU使用的相关知识. 在介绍训练模型之 ...
pytorch：加载预训练模型(多卡加载单卡预训练模型，多GPU，单GPU）
在pytorch加载预训练模型时,可能遇到以下几种情况. 分为以下几种在pytorch加载预训练模型时,可能遇到以下几种情况. 1.多卡训练模型加载单卡预训练模型 2. 多卡训练模型加载多卡预训练模 ...
HuggingFace学习3：加载预训练模型完成机器翻译（中译英）任务
加载模型页面为:https://huggingface.co/liam168/trans-opus-mt-zh-en 文章目录整理文件跑通程序,测试预训练模型拆解Pipeline,逐步进行翻译任 ...
Caffe2教程实例，加载预训练模型
Caffe2教程实例,加载预训练模型概述本教程使用模型库中的预训练模型squeezenet 里分类我们自己的图片.我们需要提供要分类图片的路径或者URL信息作为输入.了解ImageNet对象代码可 ...
Tensorflow保存模型，恢复模型
tensorflow从已经训练好的模型中,恢复(指定)权重(构建新变量.网络)并继续训练(finetuning) https://blog.csdn.net/ying86615791/article/ ...

Tensorflow保存模型和加载预训练模型

目录