Tensorflow保存模型和加载预训练模型_tensorflow迁移学习预训练模型保存与加载-优快云博客

训练好的模型需要保存下来或者加载已经训练完成的模型，就用到了ckpt文件。

1.了解tensorflow保存的文件

使用tensorflow保存的文件一共4个，如下所示：
（其中，（3）和（4）是关联的文件）

（1）checkpoint

该文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference时，可以通过修改这个文件，指定使用哪个model。

（2）MyModel.meta

该文件保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。

（3）MyModel.index

该文件是ckpt文件，二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。

（4）MyModel.data-00000-of-00001

该文件是ckpt文件，二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。

2.保存模型

（1）通用形式

tensorflow提供了tf.train.Saver类来保存模型。在tensorflow中，变量是存在于Session环境中，即只有在Session环境下才会存有变量值，因此，保存模型时需要传入session：

saver = tf.train.Saver()
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

之后就会有1.中所提的四个文件保存下来。

（2）按照达到迭代次数后保存

若想在设置的迭代次数后保存模型，则

saver = tf.train.Saver()
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel",global_step=100) #其中，100为迭代次数

这时，保存的三个（除checkpoint外）文件名就会在MyModel后.前加入“-100”。
实际训练可能会在每100次迭代中保存一次模型数据，但是由于图是不变的，没必要每次都去保存，可以通过如下方式指定不保存图：

saver = tf.train.Saver()
#训练模型的步骤
saver.save(sess,'./checkpoint_dir/MyModel',global_step=100,write_meta_graph=False)

（3）按照达到时间后保存

若想在设置的时间后保存模型，则

saver = tf.train.Saver(keep_checkpoint_every_n_hours=2) #每2个小时保存一次模型
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

另外，想每隔一段时间保存最近的几个模型，则

saver = tf.train.Saver(max_to_keep=5,keep_checkpoint_every_n_hours=2) #每2个小时保存最近5个模型文件
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

（4）保存部分变量

如果将tf.train.Saver不做任何设置，即tf.train.Saver()则保存全部变量，若想保存部分变量，则

saver = tf.train.Saver([w1,w2]) #保存w1和w2两个变量
#训练模型的步骤
saver.save(sess,"./checkpoint_dir/MyModel")

3.加载已经训练好的模型

（1）第一步：加载网络图

saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel.meta')

把图加载。

（2）第二步：加载参数

即加载已经训练好的模型参数（即weights、biases等），变量值需要依赖于Session，因此在加载参数时，先要构造好Session：

import tensorflow as tf
with tf.Session() as sess:
    new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel.meta')
    new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
    print(sess.run('w1:0')) #打印已经保存的变量

4.使用加载的已经保存的模型

很多时候，我们希望使用一些已经训练好的模型，如prediction、fine-tuning以及进一步训练等。这时，需要获取训练好的模型中的一些中间结果值，可以通过graph.get_tensor_by_name(‘w1:0’)来获取（注意w1:0是tensor的name）。
假设我们有一个简单的网络模型，代码如下：

import tensorflow as tf

#定义变量 
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias") 
 
#定义一个op，用于后面恢复
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
 
#创建一个Saver对象，用于保存所有变量
saver = tf.train.Saver()
 
#通过传入数据，执行op
print(sess.run(w4,feed_dict ={w1:4,w2:8}))
#打印 24.0 ==>(w1+w2)*b1
 
#现在保存模型
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下来我们使用graph.get_tensor_by_name()方法来操纵这个保存的模型。

import tensorflow as tf
 
sess=tf.Session()
#先加载图和参数变量
saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))

# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
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}
 
#接下来，访问你想要执行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
 
print(sess.run(op_to_restore,feed_dict))
#打印结果为60.0==>(13+17)*2

（注意：保存模型时，只会保存变量的值，placeholder里面的值不会被保存）
如果你不仅仅是用训练好的模型，还要加入一些op，或者说加入一些layers并训练新的模型，可以通过一个简单例子来看如何操作：

import tensorflow as tf
 
sess = tf.Session()
# 先加载图和变量
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))
 
# 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
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}
 
#接下来，访问你想要执行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
 
# 在当前图中能够加入op
add_on_op = tf.multiply(op_to_restore, 2)
 
print (sess.run(add_on_op, feed_dict))
# 打印120.0==>(13+17)*2*2

如果只想恢复图的一部分，并且再加入其它的op用于fine-tuning。只需通过graph.get_tensor_by_name()方法获取需要的op，并且在此基础上建立图，看一个简单例子，假设我们需要在训练好的VGG网络使用图，并且修改最后一层，将输出改为2，用于fine-tuning新数据：

......
......
saver = tf.train.import_meta_graph('vgg.meta')
# 访问图
graph = tf.get_default_graph() 
 
#访问用于fine-tuning的output
fc7= graph.get_tensor_by_name('fc7:0')
 
#如果你想修改最后一层梯度，需要如下
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()

Reference:

[1] http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
[2] https://blog.youkuaiyun.com/huachao1001/article/details/78501928