儲存tensorflow模型
在本教程中,我將會解釋:
- TensorFlow模型是什麼樣的?
- 如何儲存TensorFlow模型?
- 如何恢復預測/轉移學習的TensorFlow模型?
- 如何使用匯入的預先訓練的模型進行微調和修改?
這個教程假設你已經對神經網路有了一定的瞭解。如果不瞭解的話請查閱相關資料。
1. 什麼是TensorFlow模型?
訓練了一個神經網路之後,我們希望儲存它以便將來使用。那麼什麼是TensorFlow模型?Tensorflow模型主要包含我們所培訓的網路引數的網路設計或圖形和值。因此,Tensorflow模型有兩個主要的檔案:
a) Meta graph:
這是一個協議緩衝區,它儲存了完整的Tensorflow圖形;即所有變數、操作、集合等。該檔案以.meta作為副檔名。
b) Checkpoint file:
這是一個二進位制檔案,它包含了所有的權重、偏差、梯度和其他所有變數的值。這個檔案有一個副檔名.ckpt。然而,Tensorflow從0.11版本中改變了這一點。現在,我們有兩個檔案,而不是單個.ckpt檔案:
-
mymodel.data-00000-of-00001
-
mymodel.index
.data檔案是包含我們訓練變數的檔案,我們待會將會使用它。
與此同時,Tensorflow也有一個名為checkpoint的檔案,它只儲存的最新儲存的checkpoint檔案的記錄。
因此,為了總結,對於大於0.10的版本,Tensorflow模型如下:
在0.11之前的Tensorflow模型僅包含三個檔案:
-
inception_v1.meta
-
inception_v1.ckpt
-
checkpoint
現在我們已經知道了Tensorflow模型的樣子,接下來我們來看看TensorFlow是如何儲存模型的。
2. 儲存TensorFlow模型
比方說,你正在訓練一個卷積神經網路來進行影象分類。作為一種標準的練習,你要時刻關注損失和準確率。一旦看到網路已經收斂,我們可以暫停模型的訓練。在完成培訓之後,我們希望將所有的變數和網路結構儲存到一個檔案中,以便將來使用。因此,在Tensorflow中,我們希望儲存所有引數的圖和值,我們將建立一個tf.train.Saver()類的例項。
saver = tf.train.Saver()
請記住,Tensorflow變數僅在會話中存在。因此,您必須在一個會話中儲存模型,呼叫您剛剛建立的save方法。
saver.save(sess, 'my-test-model')
這裡,sess是會話物件,而'my-test-model'是儲存的模型的名稱。讓我們來看一個完整的例子:
-
import tensorflow as tf
-
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
-
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
-
saver = tf.train.Saver()
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
saver.save(sess, 'my_test_model')
-
# This will save following files in Tensorflow v >= 0.11
-
# my_test_model.data-00000-of-00001
-
# my_test_model.index
-
# my_test_model.meta
-
# checkpoint
如果我們在1000次迭代之後儲存模型,我們將通過通過global_step來呼叫save:
saver.save(sess, 'my_test_model',global_step=1000)
這將會將'-1000'追加到模型名稱,並建立以下檔案:
-
my_test_model-1000.index
-
my_test_model-1000.meta
-
my_test_model-1000.data-00000-of-00001
-
checkpoint
比方說,在訓練時,我們在每次1000次迭代後都儲存模型,所以.meta檔案是第一次建立的(在第1000次迭代中),我們不需要每次都重新建立.meta檔案(我們在2000,3000次沒有儲存.meta檔案)。我們僅為進一步的迭代儲存模型,因為圖不會改變。因此,當我們不想儲存meta-graph時,我們用這個:
saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
如果你希望僅保留4個最新的模型,並且希望在訓練過程中每兩個小時後儲存一個模型,那麼你可以使用max_to_keep和keep_checkpoint_every_n_hours這樣做。
-
#saves a model every 2 hours and maximum 4 latest models are saved.
-
saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)
注意,如果我們在tf.train.Saver()中沒有指定任何東西,它將儲存所有的變數。如果,我們不想儲存所有的變數,而只是一些變數。我們可以指定要儲存的變數/集合。在建立tf.train。保護程式例項,我們將它傳遞給我們想要儲存的變數的列表或字典。讓我們來看一個例子:
-
import tensorflow as tf
-
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
-
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
-
saver = tf.train.Saver([w1,w2])
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
saver.save(sess, 'my_test_model',global_step=1000)
這可以用於在需要時儲存特定的Tensorflow圖。
3. 匯入訓練好的模型
如果你想用別人預先訓練好的模型來進行微調,你需要做以下兩件事:
a)建立網路
你可以通過編寫python程式碼建立網路,以手工建立每一層,並將其作為原始模型。但是,如果你考慮一下,我們已經在.meta檔案中儲存了這個網路,我們可以使用tf.train.import()函式來重新建立這個網路:
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
記住,import_meta_graph將在.meta檔案中定義的網路附加到當前圖。因此,這將為你建立圖形/網路,但是我們仍然需要載入我們在這張圖上訓練過的引數的值。
b)載入引數
我們可以通過呼叫這個保護程式的例項來恢復網路的引數,它是tf.train.Saver()類的一個例項。
-
with tf.Session() as sess:
-
new_saver = tf.train.import_meta_graph('my_test_model-1000.meta')
-
new_saver.restore(sess, tf.train.latest_checkpoint('./'))
在此之後,像w1和w2這樣的張量的值已經恢復並且可以被訪問:
-
with tf.Session() as sess:
-
saver = tf.train.import_meta_graph('my-model-1000.meta')
-
saver.restore(sess,tf.train.latest_checkpoint('./'))
-
print(sess.run('w1:0'))
-
##Model has been restored. Above statement will print the saved value of w1
因此,現在你已經瞭解瞭如何為Tensorflow模型儲存和匯入工作。在下一節中,我描述了上面的實際使用,以載入任何預先訓練過的模型。
4.使用匯入的模型
現在你已經瞭解瞭如何儲存和恢復Tensorflow模型,讓我們開發一個實用的例子來恢復任何預先訓練的模型,並使用它進行預測、微調或進一步訓練。當您使用Tensorflow時,你將定義一個圖,該圖是feed examples(訓練資料)和一些超引數(如學習速率、迭代次數等),它是一個標準的過程,我們可以使用佔位符來存放所有的訓練資料和超引數。接下來,讓我們使用佔位符構建一個小網路並儲存它。注意,當網路被儲存時,佔位符的值不會被儲存。
-
import tensorflow as tf
-
#Prepare to feed input, i.e. feed_dict and placeholders
-
w1 = tf.placeholder("float", name="w1")
-
w2 = tf.placeholder("float", name="w2")
-
b1= tf.Variable(2.0,name="bias")
-
feed_dict ={w1:4,w2:8}
-
#Define a test operation that we will restore
-
w3 = tf.add(w1,w2)
-
w4 = tf.multiply(w3,b1,name="op_to_restore")
-
sess = tf.Session()
-
sess.run(tf.global_variables_initializer())
-
#Create a saver object which will save all the variables
-
saver = tf.train.Saver()
-
#Run the operation by feeding input
-
print sess.run(w4,feed_dict)
-
#Prints 24 which is sum of (w1+w2)*b1
-
#Now, save the graph
-
saver.save(sess, 'my_test_model',global_step=1000)
現在,當我們想要恢復它時,我們不僅要恢復圖和權重,還要準備一個新的feed_dict,它將把新的訓練資料輸入到網路中。我們可以通過graph.get_tensor_by_name()方法來引用這些儲存的操作和佔位符變數。
-
#How to access saved variable/Tensor/placeholders
-
w1 = graph.get_tensor_by_name("w1:0")
-
## How to access saved operation
-
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
如果我們只是想用不同的資料執行相同的網路,您可以簡單地通過feed_dict將新資料傳遞給網路。
-
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")
-
print sess.run(op_to_restore,feed_dict)
-
#This will print 60 which is calculated
-
#using new values of w1 and w2 and saved value of b1.
如果你希望通過新增更多的層數並對其進行訓練,從而向圖中新增更多的操作,可以這樣做
-
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.
但是,你是否可以在之前圖的結構上構建新的網路?當然,您可以通過graph.get_tensor_by_name()方法訪問適當的操作,並在此基礎上構建圖。這是一個真實的例子。在這裡,我們使用元圖載入一個vgg預訓練的網路,並在最後一層中將輸出的數量更改為2,以便對新資料進行微調。
-
......
-
......
-
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()
希望這能讓你清楚地瞭解如何儲存和恢復Tensorflow模型。