预训练模型参数重载必备！
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ying86615791/article/details/76215363
之前已经写了一篇《Tensorflow保存模型，恢复模型，使用训练好的模型进行预测和提取中间输出（特征）》，里面主要讲恢复模型然后使用该模型
假如要保存或者恢复指定tensor，并且把保存的graph恢复(插入)到当前的graph中呢？
总的来说，目前我会的是两种方法，命名都是很关键！
两种方式保存模型，
1.保存所有tensor，即整张图的所有变量，
2.只保存指定scope的变量
两种方式恢复模型，
1.导入模型的graph，用该graph的saver来restore变量
2.在新的代码段中写好同样的模型（变量名称及scope的name要对应），用默认的graph的saver来restore指定scope的变量
两种保存方式：
1.保存整张图，所有变量
...init = tf.global_variables_initializer()saver = tf.train.Saver()config = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)...writer.add_graph(sess.graph)...saved_path = saver.save(sess,saver_path)...2.保存图中的部分变量
...init = tf.global_variables_initializer()vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensorsaver = tf.train.Saver(vgg_ref_vars)#初始化saver时，传入一个var_list的参数config = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)...writer.add_graph(sess.graph)...saved_path = saver.save(sess,saver_path)...两种恢复方式：
1.导入graph来恢复
...vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件，里面是各个tensor的值saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中，返回导入graph的saverx_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholderfeat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，获取要使用的tensor"""以上两个获取tensor的方式也可以为:graph = tf.get_default_graph()centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')当然，前提是有tensor的名字"""...init = tf.global_variables_initializer()saver = tf.train.Saver() # 这个是当前新图的saverconfig = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)...saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复...2.重写一样的graph，然后恢复指定scope的变量
def re_build():#重建保存的那个graphwith tf.variable_scope('vgg_feat_fc'): #没错，这个scope要和需要恢复模型中的scope对应...return ......vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope，其实第1个方法中，导入graph后，可以不用返回的vgg_saver，再新建一个指定var_list的vgg_saver就好了，恩，需要传入一个var_list的参数
...init = tf.global_variables_initializer()saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saversaver = tf.train.Saver() # 这个是当前新图的saverconfig = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)...saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复...总结一下，这里的要点就是，在restore的时候，saver要和模型对应，如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错，提示key/tensor ... not found之类的错误;
写graph的时候，一定要注意写好scope和tensor的name，合理插入variable_scope;
最方便的方式还是，用第1种方式来保存模型，这样就不用重写代码段了，然后第1种方式恢复，不过为了稳妥，最好还是通过获取var_list，指定saver的var_list，妥妥的！
最新发现，用第1种方式恢复时，要记得当前的graph和保存的模型中没有重名的tensor，否则当前graph的tensor name可能不是那个name，可能在后面加了"_1"....-_-||
在恢复图基础上构建新的网络（变量）并训练(finetuning)（2017.11.9更新）
恢复模型graph和weights在上面已经说了，这里的关键点是怎样只恢复原图的权重 ，并且使optimizer只更新新构造变量（指定层、变量）。
（以下code与上面没联系）
"""1.Get input, output , saver and graph"""#从导入图中获取需要的东西meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'model_path_restore = model_dir + '/model_'+model_version+'.ckpt'saver_restore = tf.train.import_meta_graph(meta_path_restore) #获取导入图的saver，便于后面恢复graph_restore = tf.get_default_graph() #此时默认图就是导入的图#从导入图中获取需要的tensor#1. 用collection来获取input_x = tf.get_collection('inputs')[0]input_is_training = tf.get_collection('is_training')[0]output_feat_fused = tf.get_collection('feat_fused')[0]#2. 用tensor的name来获取input_y = graph_restore.get_tensor_by_name('label_exp:0')print('Get tensors...')print('inputs shape: {}'.format(input_x.get_shape().as_list()))print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))"""2.Build new variable for fine tuning"""#构造新的variables用于后面的finetuninggraph_restore.clear_collection('feat_fused') #删除以前的集合，假如finetuning后用新的代替原来的graph_restore.clear_collection('prob')#添加新的东西if F_scale is not None and F_scale!=0:print('F_scale is not None, value={}'.format(F_scale))feat_fused = Net_normlize_scale(output_feat_fused, F_scale)tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits""""3.Get acc and loss"""#构造损失with tf.variable_scope('accuracy'):accuracy,prediction = ...with tf.variable_scope('loss'):loss = ..."""4.Build op for fine tuning"""global_step = tf.Variable(0, trainable=False,name='global_step')learning_rate = tf.train.exponential_decay(initial_lr,global_step=global_step,decay_steps=decay_steps,staircase=True,decay_rate=0.1)update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)with tf.control_dependencies(update_ops):var_list = tf.contrib.framework.get_variables('final_logits')#关键！获取指定scope下的变量train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables"""5.Begin training"""init = tf.global_variables_initializer()saver = tf.train.Saver()config = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)saver_restore.restore(sess, model_path_restore) #这里saver_restore对应导入图的saver， 如果用上面新的saver的话会报错 因为多出了一些新的变量 在保存的模型中是没有那些权值的sess.run(train_op, feed_dict).......再说明下两个关键点：
1. 如何在新图的基础上 只恢复 导入图的权重 ？
用导入图的saver: saver_restore
2. 如何只更新指定参数？
用var_list = tf.contrib.framework.get_variables(scope_name)获取指定scope_name下的变量，
然后optimizer.minimize()时传入指定var_list
附：如何知道tensor名字以及获取指定变量？
1.获取某个操作之后的输出
用graph.get_operations()获取所有op
比如<tf.Operation 'common_conv_xxx_net/common_conv_net/flatten/Reshape' type=Reshape>,
那么output_pool_flatten = graph_restore.get_tensor_by_name('common_conv_xxx_net/common_conv_net/flatten/Reshape:0')就是那个位置经过flatten后的输出了
2.获取指定的var的值
用GraphKeys获取变量
tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的变量
比如 <tf.Variable 'common_conv_xxx_net/final_logits/logits/biases:0' shape=(7,) dtype=float32_ref>
那么var_logits_biases = graph_restore.get_tensor_by_name('common_conv_xxx_net/final_logits/logits/biases:0')就是那个位置的biases了
3.获取指定scope的collection
tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES,scope='common_conv_xxx_net.final_logits')
注意后面的scope是xxx.xxx不是xxx/xxx
————————————————
版权声明：本文为CSDN博主「美利坚节度使」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ying86615791/article/details/76215363
预训练模型参数重载必备！相关推荐
- 预训练模型参数量越来越大？这里有你需要的BERT推理加速技术指南
©作者 | 徐超 单位 | 微软亚洲互联网工程院 研究方向 | 文本相关性.多语言扩展 基于 Transformer 的预训练模型,尤其是 BERT,给各种 NLP 任务的 performance 带 ...
- 6个用于文本分类的最新开源预训练模型（NLP必备）
作者:PURVA HUILGOL 编译:ronghuaiyang 导读 文本分类是NLP的基础任务之一,今天给大家介绍6个最新的预训练模型,做NLP的同学一定要用用看. 介绍 我们正站在语言和机器的 ...
- Pytorch 加载预训练模型参数时出现size mismatch错误
目录 1 不妨先研究一下' resnet18-5c106cde.pth'里面存了什么东西以及它的数据类型 (1_1)' resnet18-5c106cde.pth'的数据类型
- Pytorch Resnet预训练模型参数地址
'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth', 'resnet34': 'https://downl ...
- 超详细中文预训练模型ERNIE使用指南-源码
作者 | 高开远,上海交通大学,自然语言处理研究方向 最近在工作上处理的都是中文语料,也尝试了一些最近放出来的预训练模型(ERNIE,BERT-CHINESE,WWM-BERT-CHINESE),比对 ...
- 超详细中文预训练模型ERNIE使用指南
作者 | 高开远,上海交通大学,自然语言处理研究方向 最近在工作上处理的都是中文语料,也尝试了一些最近放出来的预训练模型(ERNIE,BERT-CHINESE,WWM-BERT-CHINESE),比对 ...
- GNN教程：与众不同的预训练模型！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:秦州,算法工程师,Datawhale成员 0 引言 虽然 GNN ...
- 2021 AI技术盘点：预训练模型5大进展
[专栏:前沿进展]2021年已进入尾声,回顾一年来人工智能领域的发展历程,有众多瞩目的技术事件发展.其中,预训练模型无疑是2021年的重点发展领域.年初的Switch Transformer开启万亿参 ...
- 综述 | 三大路径，一文总览知识图谱融合预训练模型的研究进展
当前,预训练模型已是AI领域较为成熟的一项技术,但由于基于神经网络架构的模型本身不具有常识能力,在一些涉及逻辑推理和认知的任务上力有不逮. 近年来,知识图谱越来越受到人们的关注,知识图谱旨在提供一种复 ...
最新文章
- SBIO | 许金荣/江聪团队报道禾谷镰刀菌MAPKs介导的生长发育、逆境响应及生物互作机制...
- 项目经理如何有效地进行项目沟通？
- PowerShell通过安全组创建计算机账号
- mysql怎么用命令行导出sql文件_使用mysql命令行导出sql_MySQL
- 炼丹神器！模型调参这门“玄学”，终于被破解了
- 在Android应用外获取app的签名
- 计算指数c语言2的n次方,计算2的N次方........有什么错吗?
- c++读取文件–结束条件的判断
- 织梦CMS调用文章列表时，怎么显示短时间格式
- bae mysql_获取BAE上的MySQL相关信息
- Atitit 图像处理之理解卷积attilax总结
- tk芯片智能机刷机方法_MTK通用刷机教程 MTK芯片智能机刷机方法
- 测试和开发怎么互转？
- 网络安全知识竞赛选择题(121-160题)
- android 系统安装教程视频,PC也能用安卓 X86系统装安卓视频教程
- Java从数据库中读取Blob对象图片并显示的方法
- 难受难受，真它吗的难受... ...
- 什么叫组网_小米科普：一文看懂路由器上的 Mesh 组网是什么
- 对于MSP430F5529时钟系统的理解
- 巧妙复制网页中的文本——复制网页上不能复制的文字