經過一段時間，筆者又回來了！

   從2017年7月開始，筆者結束了研一繁重的考試月任務（因為平常不常上課，突擊考試大家懂的），然後就進入了研二生涯。在七八月筆者就開始了自己的課題實驗（由於太忙累壞了身體，先是眼睛不太好，然後又犯了胃病被迫去做胃鏡，在此深切提醒各位，工作的時候不能太拼，身體很重要）。研二生涯筆者在實驗室又要做學術又要兼顧專案，因此相當繁忙。但是筆者向大家做下承諾，一定不放棄部落格的更新，筆者會在第一時間將自己的實驗經驗與小技巧科普給大家。

   廢話少說，下面開啟正題！

   還記得我們的上一篇部落格嗎？講述了caffemodel到底記錄了什麼，那麼，筆者帶領大家回顧一下我們目前做的是什麼工程：目前是將一個模型在tensorflow下面訓練，然後轉換到caffe框架上執行，這樣，模型就可以在嵌入式平臺上面運作了（nvidia TX2，nvidia TK1等）。我們在tensorflow2caffe(1)中，已經講述瞭如何搞清楚caffemodel裡面記錄了什麼，也就弄明白了我們的資料轉換目標。那麼，待轉換的資料從哪裡來呢？從tensorflow中來對吧。那麼，針對tensoeflow訓練所得的結果，我們來看一下我們得到了什麼：

   從上圖中，我們看到，tensorflow框架訓練得到的結果裡面，首先有一個checkpoint，這是一個訓練結果的索引，從這個裡面，我們可以看到我們儲存了哪些模型？（對應儲存模型的程式在tensorflow的訓練程式中，筆者就比較愛使用tf.Train.Saver.save介面儲存模型引數），ckeckpoint檔案可以被開啟，我們可以看看裡面記錄了什麼。

   大家可以看到，裡面記錄的是這個我們在訓練不同階段儲存的模型。首先大家要記住，這是一個很有用的檔案。

   然後，在圖1中，我們發現了還有其他型別的檔案，首先有一個.meta檔案，瞭解tensorflow的同學知道，這是一個記錄Graph的檔案，在tensorflow中，Graph記錄了所有資料的流向，規定了整個模型的結構。然後有一種data-00000-of-00001結構的檔案，這個檔案比較大（往往幾十上百M），這個檔案是記錄了我們訓練得到的資料

   那麼，到這裡，我們就明白瞭如何去提取出tensorflow的訓練引數。

   (1)載入資料流圖

   (2)通過checkpoint找到目前最新的訓練儲存結果

   (3)提取訓練得到的所有引數

   具體程式碼如下：

#!/usr/bin/python

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
    new_saver = tf.train.import_meta_graph('model.ckpt-189200.meta') #load graph
    for var in tf.trainable_variables(): #get the param names
        print var.name #print parameters' names
        new_saver.restore(sess, tf.train.latest_checkpoint('./')) #find the newest training result
        all_vars = tf.trainable_variables()
        for v in all_vars:
            v_4d = np.array(sess.run(v)) #get the real parameters
 

   在上面的程式碼中，tf.train.import_meta_graph匯入了訓練資料流圖，tf,train.latest_checkpoint找到了最新的訓練資料，還列印了引數名字，並且最後使用sess.run(v)得到了各個引數。

   我們執行一下程式碼，大家可以看到，引數名稱源源不斷地打印出來。

   在我們找到引數之後，下面，我們就要把tensorflow框架格式規定的引數轉化為caffe框架規定格式規範的引數，具體該怎麼做，且聽下回分解。

   歡迎閱讀筆者後續部落格，各位讀者朋友的支援與鼓勵是我最大的動力！

written by jiong

豈能盡如人意，但求無愧於心