TensorFlow 模型儲存/載入

我們在上線使用一個演算法模型的時候，首先必須將已經訓練好的模型儲存下來。tensorflow儲存模型的方式與sklearn不太一樣，sklearn很直接，一個sklearn.externals.joblib的dump與load方法就可以儲存與載入使用。而tensorflow由於有graph, operation 這些概念，儲存與載入模型稍顯麻煩。

一、基本方法

網上搜索tensorflow模型儲存，搜到的大多是基本的方法。即

儲存

1. 定義變數
2. 使用saver.save()方法儲存

載入

1. 定義變數
2. 使用saver.restore()方法載入

如 儲存 程式碼如下

import tensorflow as tf  
import numpy as np  

W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w')  
b = tf.Variable([[0,1,2]],dtype = tf.float32,name='b')  

init = tf.initialize_all_variables()  
saver = tf.train.Saver()  
with tf.Session() as sess:  
        sess.run(init)  
        save_path = saver.save(sess,"save/model.ckpt"
 
)  

載入程式碼如下

import tensorflow as tf  
import numpy as np  

W = tf.Variable(tf.truncated_normal(shape=(2,3)),dtype = tf.float32,name='w')  
b = tf.Variable(tf.truncated_normal(shape=(1,3)),dtype = tf.float32,name='b')  

saver = tf.train.Saver()  
with tf.Session() as sess:  
        saver.restore(sess,"save/model.ckpt"
 
)  

這種方法不方便的在於，在使用模型的時候，必須把模型的結構重新定義一遍，然後載入對應名字的變數的值。但是很多時候我們都更希望能夠讀取一個檔案然後就直接使用模型，而不是還要把模型重新定義一遍。所以就需要使用另一種方法。

二、不需重新定義網路結構的方法

tf.train.import_meta_graph

import_meta_graph(
    meta_graph_or_file,
    clear_devices=False,
    import_scope=None,
    **kwargs
)

這個方法可以從檔案中將儲存的graph的所有節點載入到當前的default graph中，並返回一個saver。也就是說，我們在儲存的時候，除了將變數的值儲存下來，其實還有將對應graph中的各種節點儲存下來，所以模型的結構也同樣被儲存下來了。

比如我們想要儲存計算最後預測結果的y，則應該在訓練階段將它新增到collection中。具體程式碼如下

儲存

### 定義模型
input_x = tf.placeholder(tf.float32, shape=(None, in_dim), name='input_x')
input_y = tf.placeholder(tf.float32, shape=(None, out_dim), name='input_y')

w1 = tf.Variable(tf.truncated_normal([in_dim, h1_dim], stddev=0.1), name='w1')
b1 = tf.Variable(tf.zeros([h1_dim]), name='b1')
w2 = tf.Variable(tf.zeros([h1_dim, out_dim]), name='w2')
b2 = tf.Variable(tf.zeros([out_dim]), name='b2')
keep_prob = tf.placeholder(tf.float32, name='keep_prob')
hidden1 = tf.nn.relu(tf.matmul(self.input_x, w1) + b1)
hidden1_drop = tf.nn.dropout(hidden1, self.keep_prob)
### 定義預測目標
y = tf.nn.softmax(tf.matmul(hidden1_drop, w2) + b2)
# 建立saver
saver = tf.train.Saver(...variables...)
# 假如需要儲存y，以便在預測時使用
tf.add_to_collection('pred_network', y)
sess = tf.Session()
for step in xrange(1000000):
    sess.run(train_op)
    if step % 1000 == 0:
        # 儲存checkpoint, 同時也預設匯出一個meta_graph
        # graph名為'my-model-{global_step}.meta'.
        saver.save(sess, 'my-model', global_step=step)

載入

with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('my-save-dir/my-model-10000.meta')
  new_saver.restore(sess, 'my-save-dir/my-model-10000')
  # tf.get_collection() 返回一個list. 但是這裡只要第一個引數即可
  y = tf.get_collection('pred_network')[0]

  graph = tf.get_default_graph()

  # 因為y中有placeholder，所以sess.run(y)的時候還需要用實際待預測的樣本以及相應的引數來填充這些placeholder，而這些需要通過graph的get_operation_by_name方法來獲取。
  input_x = graph.get_operation_by_name('input_x').outputs[0]
  keep_prob = graph.get_operation_by_name('keep_prob').outputs[0]

  # 使用y進行預測  
  sess.run(y, feed_dict={input_x:....,  keep_prob:1.0})

這裡有兩點需要注意的：
一、 saver.restore()時填的檔名，因為在saver.save的時候，每個checkpoint會儲存三個檔案，如
my-model-10000.meta, my-model-10000.index, my-model-10000.data-00000-of-00001
在import_meta_graph時填的就是meta檔名，我們知道權值都儲存在my-model-10000.data-00000-of-00001這個檔案中，但是如果在restore方法中填這個檔名，就會報錯，應該填的是字首，這個字首可以使用tf.train.latest_checkpoint(checkpoint_dir)這個方法獲取。

二、模型的y中有用到placeholder，在sess.run()的時候肯定要feed對應的資料，因此還要根據具體placeholder的名字，從graph中使用get_operation_by_name方法獲取。