[tensorflow] 模型的恢复

使用tensorflow进行模型的保存很简单，生成一个saver实例然后saver.save()即可，在恢复时有两个问题很棘手：

1. 怎么得到graph
2. 怎么得到placeholder以创建feed_dictx

得到graph：

1.如果你有model的定义文件，可以像训练时一样重新创建一个图，然后saver.restore()获得图中的参数权重：

# 设置超参
hp = hparams
hp.is_training = False # 训练时为True，infer时为False否则infer结果不对

# 创建model
with tf.variable_scope('model') as scope:
    model = create_model(args.model, hp)
    model.build_graph()
    model.add_loss()
    model.add_decoder()

# 创建saver
saver = tf.train.Saver()

# 执行sess
with tf.Session(graph=tf.get_default_graph()) as sess: # 此时default_graph就是上面create_model过程中创建的图
    saver.restore(sess, restore_path)
    sess.run(tf.global_variables_initializer())
    # 构造feed_dict
    sess.run(其他)

2.如果你没有model的定义文件，别担心，由saver.save()获得的chekpoint文件（.index , .data , .meta）中.meta就保存了graph的结构，先使用 import_meta_graph 向saver中导入graph再进行restore：

# 创建saver
saver = tf.train.Saver()

# 运行sess
with tf.Session() as sess:
    saver = tf.train.import_meta_graph('logging/logs-ASR_wavnet/model.ckpt-'+str(step)+'.meta')
    saver.restore(sess, restore_path)
    sess.run(tf.global_variables_initializer())
    # 构造feed_dict
    sess.run(其他)

构建feed_dict：

1.在构造feed_dict时你必须得知道input中的placehoder的信息（比如name，shape等），如果你有model的定义文件，这件事会很容易：

# 设置超参
hp = hparams
hp.is_training = False # 训练时为True，infer时为False否则infer结果不对

# 创建model
with tf.variable_scope('model') as scope:
    model = create_model(args.model, hp)
    model.build_graph()
    model.add_loss()
    model.add_decoder()

# 创建saver
saver = tf.train.Saver()

# 执行sess
with tf.Session(graph=tf.get_default_graph()) as sess: # 此时default_graph就是上面create_model过程中创建的图
    saver.restore(sess, restore_path)
    sess.run(tf.global_variables_initializer())
    # 构造feed_dict
    feed_dict = {model.input: [1]}
    sess.run(其他)

2.但是如果你没有model的定义，如何找出上面的model.input这个tensor呢？

答案是通过tensoboard查看placeholder的名字，然后通过get_tensor_by_name获取该tensor：

 

# 创建saver
saver = tf.train.Saver()

# 运行sess
with tf.Session() as sess:
    saver = tf.train.import_meta_graph('logging/logs-ASR_wavnet/model.ckpt-'+str(step)+'.meta')
    saver.restore(sess, restore_path)
    sess.run(tf.global_variables_initializer())
    # 构造feed_dict
    graph = sess.graph
    inputs = graph.get_tensor_by_name('model/NET/NET_Input/mfcc_inputs:0')# 注意使用全名否则会报错：没有这个op
    feed_dict = {inputs:[1]}
    sess.run(其他)

参考：

• https://www.jianshu.com/p/7ebee4d10e49