tensorflow1.x兼容2.x保存与恢复模型方法

首先说明，兼容版本质上还是1.x，只不过是用了2.x的包

1.保存模型

# 禁用急切执行，兼容版，直接用急切执行会混乱
tf.compat.v1.disable_eager_execution()

saver = tf.compat.v1.train.Saver()

saver.save(sess, 'D:/model.ckpt')

保存的内容--checkpoint的几个文件简介（4个文件）

checkpoint的一般格式如下：

（1）meta文件

.meta文件：一个协议缓冲，保存tensorflow中完整的graph、variables、operation、collection；这是我们恢复模型结构的参照；

meta文件保存的是图结构，通俗地讲就是神经网络的网络结构。当然在使用低层PAI编写神经网络的时候，本质上是一系列运算以及张量构造的一个较为复杂的graph，这个和高层API中的层的概念还是有区别的，但是可以这么去理解，整个graph的结构就是网络结构。一般而言网络结构是不会发生改变，所以可以只保存一个就行了。我们可以使用下面的代码只在第一次保存meta文件。

saver.save(sess, 'my_model.ckpt', global_step=step, write_meta_graph=False)
在后面恢复整个graph的结构的时候，并且还可以使用

tf.train.import_meta_graph(‘xxxxxx.meta’)
能够导入图结构。

（2）data文件

keypoint_model.ckpt-9.data-00000-of-00001：数据文件，保存的是网络的权值，偏置，操作等等。

（3）index文件

keypoint_model.ckpt-9.index  是一个不可变得字符串字典，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据，所谓的元数据就是描述这个Variable 的一些信息的数据。 “数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等等。

Note: 以前的版本中tensorflow的model只保存一个文件中。
（4）checkpoint文件——文本文件

checkpoint是一个文本文件，记录了训练过程中在所有中间节点上保存的模型的名称，首行记录的是最后（最近）一次保存的模型名称。checkpoint是检查点文件，文件保存了一个目录下所有的模型文件列表

来自：tensorflow中的检查点checkpoint详解（二）——以tensorflow1.x 的模型保存与恢复为主_tensorflow1.5中怎么恢复检查点中的模型-优快云博客

2.查看文件

from tensorflow.python.tools import inspect_checkpoint as chkp
import sys

# 定义输出文件路径
output_file = "output_tensors.txt"

# 重定向标准输出到文件
with open(output_file, "w") as f:
    # 重定向标准输出到文件
    sys.stdout = f
    # 打印所有张量的名称和数据
    chkp.print_tensors_in_checkpoint_file(
        file_name="D:/model.ckpt",
        tensor_name='',
        all_tensors=True,
        all_tensor_names=True
    )

# 恢复标准输出
sys.stdout = sys.__stdout__

print(f"Tensor details have been saved to {output_file}")

把输出的文件张量放到一个txt文件中用作对比

3.恢复模型

 saver = tf.compat.v1.train.Saver()

with tf.compat.v1.Session() as sess:
      sess.run(tf.compat.v1.global_variables_initializer())

       # 导入模型的图结构
       new_saver = tf.compat.v1.train.import_meta_graph('D:/model.ckpt.meta')
 
       # 恢复图中的各个变量
       new_saver.restore(sess, 'D:1/model.ckpt')

       # 获取当前图
      graph = tf.compat.v1.get_default_graph()

       saver.save(sess, 'D:/model.ckpt')

       # 获取输入张量和输出张量
       X = graph.get_tensor_by_name('model_inputx:0')  # 输入的节点名称
       Z = graph.get_tensor_by_name('model_inputz:0')  # 输入的节点名称
       T = graph.get_tensor_by_name('model_inputt:0')

       model_y = graph.get_tensor_by_name('model_output:0')

       input_x = XX[:, 0:1].astype(np.float64)
       input_z = XX[:, 1:2].astype(np.float64)
       input_t = XX[:, 2:3].astype(np.float64)

        # 运行模型
       result = sess.run(model_y, feed_dict={X: input_x, Z: input_z, T: input_t})

其中，输入节点和输出节点是自己命名的，之前通过tensorboard生成过graph，但是生成的是训练图，没有输出节点，我就直接把输入和输出张量命名了，后续直接用命名的就可以了，前边的命名为：

x = tf.compat.v1.placeholder(tf.float64, shape=(None,1),name="model_inputx")
z = tf.compat.v1.placeholder(tf.float64, shape=(None,1),name="model_inputz")
t = tf.compat.v1.placeholder(tf.float64, shape=(None,1),name="model_inputt")

然后自己的神经网络预测输出命名为输出。

这样子运行的话我基本上恢复了中断前的损失。