python保存模型_python使用tensorflow保存、加载和使用模型的方法

使用Tensorflow进行深度学习训练的时候，需要对训练好的网络模型和各种参数进行保存，以便在此基础上继续训练或者使用。介绍这方面的博客有很多，我发现写的最好的是这一篇官方英文介绍：

我对这篇文章进行了整理和汇总。

首先是模型的保存。直接上代码：

#!/usr/bin/env python

#-*- coding:utf-8 -*-

############################

#File Name: tut1_save.py

#Author: Wang

#Mail: wang19920419@hotmail.com

#Created Time:2017-08-30 11:04:25

############################

import tensorflow as tf

# prepare to feed input, i.e. feed_dict and placeholders

w1 = tf.Variable(tf.random_normal(shape = [2]), name = 'w1') # name is very important in restoration

w2 = tf.Variable(tf.random_normal(shape = [2]), name = 'w2')

b1 = tf.Variable(2.0, name = 'bias1')

feed_dict = {w1:[10,3], w2:[5,5]}

# define a test operation that will be restored

w3 = tf.add(w1, w2) # without name, w3 will not be stored

w4 = tf.multiply(w3, b1, name = "op_to_restore")

#saver = tf.train.Saver()

saver = tf.train.Saver(max_to_keep = 4, keep_checkpoint_every_n_hours = 1)

sess = tf.Session()

sess.run(tf.global_variables_initializer())

print sess.run(w4, feed_dict)

#saver.save(sess, 'my_test_model', global_step = 100)

saver.save(sess, 'my_test_model')

#saver.save(sess, 'my_test_model', global_step = 100, write_meta_graph = False)

需要说明的有以下几点：

1. 创建saver的时候可以指明要存储的tensor，如果不指明，就会全部存下来。在这里也可以指明最大存储数量和checkpoint的记录时间。具体细节看英文博客。

2. saver.save()函数里面可以设定global_step和write_meta_graph，meta存储的是网络结构，只在开始运行程序的时候存储一次即可，后续可以通过设置write_meta_graph = False加以限制。

3. 这个程序执行结束后，会在程序目录下生成四个文件，分别是.meta(存储网络结构)、.data和.index(存储训练好的参数)、checkpoint(记录最新的模型)。

下面是如何加载已经保存的网络模型。这里有两种方法，第一种是saver.restore(sess, 'aaaa.ckpt')，这种方法的本质是读取全部参数，并加载到已经定义好的网络结构上，因此相当于给网络的weights和biases赋值并执行tf.global_variables_initializer()。这种方法的缺点是使用前必须重写网络结构，而且网络结构要和保存的参数完全对上。第二种就比较高端了，直接把网络结构加载进来(.meta)，上代码：

#!/usr/bin/env python

#-*- coding:utf-8 -*-

############################

#File Name: tut2_import.py

#Author: Wang

#Mail: wang19920419@hotmail.com

#Created Time:2017-08-30 14:16:38

############################

import tensorflow as tf

sess = tf.Session()

new_saver = tf.train.import_meta_graph('my_test_model.meta')

new_saver.restore(sess, tf.train.latest_checkpoint('./'))

print sess.run('w1:0')

使用加载的模型，输入新数据，计算输出，还是直接上代码：

#!/usr/bin/env python

#-*- coding:utf-8 -*-

############################

#File Name: tut3_reuse.py

#Author: Wang

#Mail: wang19920419@hotmail.com

#Created Time:2017-08-30 14:33:35

############################

import tensorflow as tf

sess = tf.Session()

# First, load meta graph and restore weights

saver = tf.train.import_meta_graph('my_test_model.meta')

saver.restore(sess, tf.train.latest_checkpoint('./'))

# Second, access and create placeholders variables and create feed_dict to feed new data

graph = tf.get_default_graph()

w1 = graph.get_tensor_by_name('w1:0')

w2 = graph.get_tensor_by_name('w2:0')

feed_dict = {w1:[-1,1], w2:[4,6]}

# Access the op that want to run

op_to_restore = graph.get_tensor_by_name('op_to_restore:0')

print sess.run(op_to_restore, feed_dict) # ouotput: [6. 14.]

在已经加载的网络后继续加入新的网络层：

import tensorflow as tf

sess=tf.Session()

#First let's load meta graph and restore weights

saver = tf.train.import_meta_graph('my_test_model-1000.meta')

saver.restore(sess,tf.train.latest_checkpoint('./'))

# Now, let's access and create placeholders variables and

# create feed-dict to feed new data

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}

#Now, access the op that you want to run.

op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

#Add more to the current graph

add_on_op = tf.multiply(op_to_restore,2)

print sess.run(add_on_op,feed_dict)

#This will print 120.

对加载的网络进行局部修改和处理(这个最麻烦，我还没搞太明白，后续会继续补充)：

......

......

saver = tf.train.import_meta_graph('vgg.meta')

# Access the graph

graph = tf.get_default_graph()

## Prepare the feed_dict for feeding data for fine-tuning

#Access the appropriate output for fine-tuning

fc7= graph.get_tensor_by_name('fc7:0')

#use this if you only want to change gradients of the last layer

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()

有了这样的方法，无论是自行训练、加载模型继续训练、使用经典模型还是finetune经典模型抑或是加载网络跑前项，效果都是杠杠的。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。