预训练模型参数重载必备！

最新推荐文章于 2022-07-11 18:10:08 发布

Beryl已存在

最新推荐文章于 2022-07-11 18:10:08 发布

阅读量421

点赞数

原文链接：https://blog.csdn.net/ying86615791/article/details/76215363

版权

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=True
    with 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tensor
    saver = 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=True
    with 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saver
    x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholder
    feat_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saver
    config = tf.ConfigProto()
    config.gpu_options.allow_growth=True
    with 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graph
      with 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saver
    saver = tf.train.Saver() # 这个是当前新图的saver
    config = tf.ConfigProto()
    config.gpu_options.allow_growth=True
    with 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finetuning
        graph_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=True
        with 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

Beryl已存在

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
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...
复制链接

扫一扫