输出TensorFlow中checkpoint内变量的几种方法

最新推荐文章于 2025-04-16 13:10:29 发布

山坡坡上的蜗牛

最新推荐文章于 2025-04-16 13:10:29 发布

阅读量1.4w

点赞数

分类专栏：深度学习 TensorFlow 文章标签：深度学习 TensorFlow

TensorFlow 同时被 2 个专栏收录

3 篇文章

订阅专栏

深度学习

1 篇文章

订阅专栏

将TF保存在checkpoint中的变量值输出到txt或npy中的几种简单的可行的方法：

1，最简单的方法，是在有model 的情况下，直接用tf.train.saver进行restore，就像 cifar10_eval.py 中那样。然后，在sess中直接run变量的名字就可以得到变量保存的值。

在这里以cifar10_eval.py为例。首先，在Graph中穿件model。

    with tf.Graph().as_default() as g:  
        images, labels = cifar10.inputs(eval_data=eval_data)  
        logits = cifar10.inference(images)  
        top_k_op = tf.nn.in_top_k(logits, labels, 1)

然后，通过tf.train.ExponentialMovingAverage.variable_to_restore确定需要restore的变量，默认情况下是model中所有trainable变量的movingaverge名字。并建立saver 对象

 variable_averages = tf.train.ExponentialMovingAverage(  
            cifar10.MOVING_AVERAGE_DECAY)  
        variables_to_restore = variable_averages.variables_to_restore()  
        saver = tf.train.Saver(variables_to_restore)

variables_to_restore中是变量的movingaverage名字到变量的mapping（就是个字典）。我们可以打印尝试打印里面的变量名，

    for name in variables_to_restore:  
        print(name)

输出结果为

    softmax_linear/biases/ExponentialMovingAverage



    conv2/biases/ExponentialMovingAverage



    local4/biases/ExponentialMovingAverage



    local3/biases/ExponentialMovingAverage



    softmax_linear/weights/ExponentialMovingAverage



    conv1/biases/ExponentialMovingAverage



    local4/weights/ExponentialMovingAverage



    local3/weights/ExponentialMovingAverage



    conv2/weights/ExponentialMovingAverage



    conv1/weights/ExponentialMovingAverage

然后在中通过run 变量名的方式就可以得到保存在checkpoint中的值，引文sess.run方法得到的是numpy形式的数据，就可以通过np.save或np.savetxt来保存了。

    with tf.Session() as sess:  
      ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)  
      if ckpt and ckpt.model_checkpoint_path:  
        # Restores from checkpoint  
        saver.restore(sess, ckpt.model_checkpoint_path)  
        conv1_w=sess.run('conv1/weights/ExponentialMovingAverage')

此时conv1_w就是conv1/weights的MovingAverage的值，并且是numpy array的形式。

2, 第二种方法是使用
tensorflow/python/tools/inspect_checkpoint.py
中提到的tf.train.NewCheckpointReader类

这种方法不需要model，只要有checkpoint文件就行。
首先用tf.train.NewCheckpointReader读取checkpoint文件
如果没有指定需要输出的变量，则全部输出，如果指定了，则可以输出相应的变量

"""A simple script for inspect checkpoint files."""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import sys

import tensorflow as tf

FLAGS = tf.app.flags.FLAGS
tf.app.flags.DEFINE_string("file_name", "", "Checkpoint filename")
tf.app.flags.DEFINE_string("tensor_name", "", "Name of the tensor to inspect")


def print_tensors_in_checkpoint_file(file_name, tensor_name):
  """Prints tensors in a checkpoint file.
  If no `tensor_name` is provided, prints the tensor names and shapes
  in the checkpoint file.
  If `tensor_name` is provided, prints the content of the tensor.
  Args:
    file_name: Name of the checkpoint file.
    tensor_name: Name of the tensor in the checkpoint file to print.
  """
  try:
    reader = tf.train.NewCheckpointReader(file_name)
    if not tensor_name:
      print(reader.debug_string().decode("utf-8"))
    else:
      print("tensor_name: ", tensor_name)
      print(reader.get_tensor(tensor_name))
  except Exception as e:  # pylint: disable=broad-except
    print(str(e))
    if "corrupted compressed block contents" in str(e):
      print("It's likely that your checkpoint file has been compressed "
            "with SNAPPY.")


def main(unused_argv):
  if not FLAGS.file_name:
    print("Usage: inspect_checkpoint --file_name=checkpoint_file_name "
          "[--tensor_name=tensor_to_print]")
    sys.exit(1)
  else:
    print_tensors_in_checkpoint_file(FLAGS.file_name, FLAGS.tensor_name)

if __name__ == "__main__":
tf.app.run()

3，第三种方法也是TF官方在tool里面给的，称为freeze_graph, 在官方的这个tutorials中有介绍。
一般情况下TF在训练过程中会保存两种文件，一种是保存了变量值的checkpoint文件，另一种是保存了模型的Graph（GraphDef）等其他信息的MetaDef文件，
以.meta结尾Meta,但是其中没有保存变量的值。freeze_graph.py的主要功能就是将chenkpoint中的变量值保存到模型的GraphDef中，使得在一个文件中既
包含了模型的Graph，又有各个变量的值，便于后续操作。当然变量值的保存是可以有选择性的。
在freeze_graph.py中，首先是导入GraphDef (如果有GraphDef则可之间导入，如果没有，则可以从MetaDef中导入). 然后是从GraphDef中的所有nodes中
抽取主模型的nodes(比如各个变量，激活层等)。再用saver从checkpoint中恢复变量的值，以constant的形式保存到抽取的Grap的nodes中，并输出此GraphDef.
GraphDef 和MetaDef都是基于Google Protocol Buffer 定义的。在GraphDef 中主要以node(NodeDef) 来保存模型。