TensorFlow极简教程：创建、保存和恢复机器学习模型

TensorFlow:保存/恢复和混合多重模型

如何实际保存和加载

• 保存（saver）对象

可以使用 Saver 对象处理不同会话（session）中任何与文件系统有持续数据传输的交互。构造函数（constructor）允许你控制以下 3 个事物：

• 目标（target）：在分布式架构的情况下用于处理计算。可以指定要计算的 TF 服务器或「目标」。

• 图（graph）：你希望会话处理的图。对于初学者来说，棘手的事情是：TF 中总存在一个默认的图，其中所有操作的设置都是默认的，所以你的操作范围总在一个「默认的图」中。

• 配置（config）：你可以使用 ConfigProto 配置 TF。查看本文最后的链接资源以获取更多详细信息。

Saver 可以处理图的元数据和变量数据的保存和加载（又称恢复）。它需要知道的唯一的事情是：需要使用哪个图和变量？

默认情况下，Saver 会处理默认的图及其所有包含的变量，但是你可以创建尽可能多的 Saver 来控制你想要的任何图或子图的变量。这里是一个例子：

　　import tensorflow as tf

　　import os

　　dir = os.path.dirname(os.path.realpath(__file__))

　　# First, you design your mathematical operations

　　# We are the default graph scope

　　# Let's design a variable

　　v1 = tf.Variable(1. , name="v1")

　　v2 = tf.Variable(2. , name="v2")

　　# Let's design an operation

　　a = tf.add(v1, v2)

　　# Let's create a Saver object

　　# By default, the Saver handles every Variables related to the default graph

　　all_saver = tf.train.Saver()

　　# But you can precise which vars you want to save under which name

　　v2_saver = tf.train.Saver({"v2": v2})

　　# By default the Session handles the default graph and all its included variables

　　with tf.Session() as sess:

　　# Init v and v2

　　sess.run(tf.global_variables_initializer())

　　# Now v1 holds the value 1.0 and v2 holds the value 2.0

　　# We can now save all those values

　　all_saver.save(sess, dir + '/data-all.chkp')

　　# or saves only v2

　　v2_saver.save(sess, dir + '/data-v2.chkp')

如果查看你的文件夹，它实际上每创建 3 个文件调用一次保存操作并创建一个检查点（checkpoint）文件，我会在附录中讲述更多的细节。你可以简单理解为权重被保存到 .chkp.data 文件中，你的图和元数据被保存到 .chkp.meta 文件中。

• 恢复操作和其它元数据

一个重要的信息是，Saver 将保存与你的图相关联的任何元数据。这意味着加载元检查点还将恢复与图相关联的所有空变量、操作和集合（例如，它将恢复训练优化器）。

当你恢复一个元检查点时，实际上是将保存的图加载到当前默认的图中。现在你可以通过它来加载任何包含的内容，如张量、操作或集合。

　　import tensorflow as tf

　　# Let's load a previously saved meta graph in the default graph

　　# This function returns a Saver

　　saver = tf.train.import_meta_graph('results/model.ckpt-1000.meta')

　　# We can now access the default graph where all our metadata has been loaded

　　graph = tf.get_default_graph()

　　# Finally we can retrieve tensors, operations, collections, etc.

　　global_step_tensor = graph.get_tensor_by_name('loss/global_step:0')

　　train_op = graph.get_operation_by_name('loss/train_op')

　　hyperparameters = tf.get_collection('hyperparameters')

• 恢复权重

请记住，实际的权重只存在于一个会话中。这意味着「恢复」操作必须能够访问会话以恢复图内的权重。理解恢复操作的最好方法是将其简单地当作一种初始化。

　　with tf.Session() as sess:

　　# To initialize values with saved data

　　saver.restore(sess, 'results/model.ckpt.data-1000-00000-of-00001')

　　print(sess.run(global_step_tensor)) # returns 1000

• 在新图中使用预训练图

现在你知道了如何保存和加载，你可能已经明白如何去操作。然而，这里有一些技巧能够帮助你走得更快。

• 一个图的输出可以是另一个图的输入吗？

是的，但有一个缺点：我还不知道使梯度流（gradient flow）在图之间容易传递的一种方法，因为你将必须评估第一个图，获得结果，并将其馈送到下一个图。

这样一直下去是可以的，直到你需要重新训练第一个图。在这种情况下，你将需要将输入梯度馈送到第一个图的训练步骤……

• 我可以在一个图中混合所有这些不同的图吗？

是的，但你需要对命名空间（namespace）倍加小心。好的一点是，这种方法简化了一切：例如，你可以加载预训练的 VGG-16，访问图中的任何节点，嵌入自己的操作和训练整个图！

如果你只想微调（fine-tune）节点，你可以在任意地方停止梯度来避免训练整个图。

　　import tensorflow as tf

　　# Load the VGG-16 model in the default graph

　　vgg_saver = tf.train.import_meta_graph(dir + 'gg/resultsgg-16.meta')

　　# Access the graph

　　vgg_graph = tf.get_default_graph()

　　# Retrieve VGG inputs

　　self.x_plh = vgg_graph.get_tensor_by_name('input:0')

　　# Choose which node you want to connect your own graph

　　output_conv =vgg_graph.get_tensor_by_name('conv1_2:0')

　　# output_conv =vgg_graph.get_tensor_by_name('conv2_2:0')

　　# output_conv =vgg_graph.get_tensor_by_name('conv3_3:0')

　　# output_conv =vgg_graph.get_tensor_by_name('conv4_3:0')

　　# output_conv =vgg_graph.get_tensor_by_name('conv5_3:0')

　　# Stop the gradient for fine-tuning

　　output_conv_sg = tf.stop_gradient(output_conv) # It's an identity function

　　# Build further operations

　　output_conv_shape = output_conv_sg.get_shape().as_list()

　　W1 = tf.get_variable('W1', shape=[1, 1, output_conv_shape[3], 32], initializer=tf.random_normal_initializer(stddev=1e-1))

　　b1 = tf.get_variable('b1', shape=[32], initializer=tf.constant_initializer(0.1))

　　z1 = tf.nn.conv2d(output_conv_sg, W1, strides=[1, 1, 1, 1], padding='SAME') + b1

　　a = tf.nn.relu(z1)

• 协议缓冲区

协议缓冲区（Protocol Buffer/简写 Protobufs）是 TF 有效存储和传输数据的常用方式。

我不在这里详细介绍它，但可以把它当成一个更快的 JSON 格式，当你在存储/传输时需要节省空间/带宽，你可以压缩它。简而言之，你可以使用 Protobufs 作为：

• 一种未压缩的、人性化的文本格式，扩展名为 .pbtxt

• 一种压缩的、机器友好的二进制格式，扩展名为 .pb 或根本没有扩展名

这就像在开发设置中使用 JSON，并且在迁移到生产环境时为了提高效率而压缩数据一样。用 Protobufs 可以做更多的事情，如果你有兴趣可以查看教程

整洁的小技巧：在张量流中处理 protobufs 的所有操作都有这个表示「协议缓冲区定义」的「_def」后缀。例如，要加载保存的图的 protobufs，可以使用函数：tf.import_graph_def。要获取当前图作为 protobufs，可以使用：Graph.as_graph_def()。

• 文件的架构

回到 TF，当保存你的数据时，你会得到 5 种不同类型的文件：

• 「检查点」文件

• 「事件（event）」文件

• 「文本 protobufs」文件

• 一些「chkp」文件

• 一些「元 chkp」文件

现在让我们休息一下。当你想到，当你在做机器学习时可能会保存什么？你可以保存模型的架构和与其关联的学习到的权重。你可能希望在训练或事件整个训练架构时保存一些训练特征，如模型的损失（loss）和准确率（accuracy）。你可能希望保存超参数和其它操作，以便之后重新启动训练或重复实现结果。这正是 TensorFlow 的作用。

在这里，检查点文件的三种类型用于存储模型及其权重有关的压缩后数据。

• 检查点文件只是一个簿记文件，你可以结合使用高级辅助程序加载不同时间保存的 chkp 文件。

• 元 chkp 文件包含模型的压缩 Protobufs 图以及所有与之关联的元数据（集合、学习速率、操作等）。

• chkp 文件保存数据（权重）本身（这一个通常是相当大的大小）。

• 如果你想做一些调试，pbtxt 文件只是模型的非压缩 Protobufs 图。

• 最后，事件文件在 TensorBoard 中存储了所有你需要用来可视化模型和训练时测量的所有数据。这与保存/恢复模型本身无关。

下面让我们看一下结果文件夹的屏幕截图：

一些随机训练的结果文件夹的屏幕截图

• 该模型已经在步骤 433,858,1000 被保存了 3 次。为什么这些数字看起来像随机？因为我设定每 S 秒保存一次模型，而不是每 T 次迭代后保存。

• chkp 文件比元 chkp 文件更大，因为它包含我们模型的权重

• pbtxt 文件比元 chkp 文件大一点：它被认为是非压缩版本！

TF 自带多个方便的帮助方法，如：

在时间和迭代中处理模型的不同检查点。它如同一个救生员，以防你的机器在训练结束前崩溃。

• 参考资源

http://stackoverflow.com/questions/38947658/tensorflow-saving-into-loading-a-graph-from-a-file

http://stackoverflow.com/questions/34343259/is-there-an-example-on-how-to-generate-protobuf-files-holding-trained-tensorflow?rq=1

http://stackoverflow.com/questions/39468640/tensorflow-freeze-graph-py-the-name-save-const0-refers-to-a-tensor-which-doe?rq=1

http://stackoverflow.com/questions/33759623/tensorflow-how-to-restore-a-previously-saved-model-python

http://stackoverflow.com/questions/34500052/tensorflow-saving-and-restoring-session?noredirect=1&lq=1

http://stackoverflow.com/questions/35687678/using-a-pre-trained-word-embedding-word2vec-or-glove-in-tensorflow

https://github.com/jtoy/awesome-tensorflow

　　原文链接：https://blog.metaflow.fr/tensorflow-saving-restoring-and-mixing-multiple-models-c4c94d5d7125#.lms6atw2p