一、首先介紹tensorflow持久化的工作原理,持久化代碼實現。
1.1使用tf.train.Saver類,以下代碼給出了保存tensorflow計算圖的方法。
import tensorflow as tf
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="v2")
result=v1+v2
init_op=tf.initialize_all_variables()
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(init_op)
saver.save(sess,"D:/gj20170720/model.ckpt")
1.2加載已保存的模型的方法
import tensorflow as tf
__author__ = 'casgj'
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="v2")
result=v1 + v2
saver=tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess,"D:/gj20170720/model.ckpt")
print(sess.run(result))
如果不希望重複定義圖上的運算,也可以:
import tensorflow as tf
__author__ = 'casgj'
saver=tf.train.import_meta_graph(("D:/gj20170720/model.ckpt.meta"))
with tf.Session() as sess:
saver.restore(sess,"D:/gj20170720/model.ckpt")
print(sess.run
1.3變量重命名的使用
__author__ = 'casgj'
import tensorflow as tf
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="other-v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="other-v2")
saver=tf.train.Saver({"v1":v1,"v2":v2})
1.4保存滑動平均模型的運用
_author__ = 'casgj'
import tensorflow as tf
v=tf.Variable(0,dtype=tf.float32,name="v")
for variables in tf.all_variables():
print(variables.name)
ema=tf.train.ExponentialMovingAverage(0.99)
maintain_averages_op=ema.apply(tf.all_variables())
for variables in tf.all_variables():
print(variables.name)
saver=tf.train.Saver()
with tf.Session() as sess:
init_op=tf.initialize_all_variables()
sess.run(init_op)
sess.run(tf.assign(v,10))
sess.run(maintain_averages_op)
saver.save(sess,"D:/gj20170720/model.ckpt")
print(sess.run([v,ema.average(v)]))
1.5 variables_to_restore的樣例
__author__ = 'casgj'
import tensorflow as tf
v=tf.Variable(0,dtype=tf.float32,name="v")
ema=tf.train.ExponentialMovingAverage(0.99)
print(ema.variables_to_restore())
saver=tf.train.Saver(ema.variables_to_restore())
with tf.Session() as sess:
saver.restore(sess,"D:/gj20170720/model.ckpt")
print(sess.run(v))
二、用完整的tensorflow程序解決MNIST問題
2.1前向算法
首先將前向傳播過程抽象出來,作爲一個可以作爲訓練測試共享的模塊,取名爲mnist_inference.py
,代碼如下:
# -*- coding: utf-8 -*-
import tensorflow as tf
# 定義神經網絡結構相關的參數
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500
# 通過tf.get_variable函數來獲取變量。在訓練神經網絡時會創建這些變量;在測試時會通
# 過保存的模型加載這些變量的取值。而且更加方便的是,因爲可以在變量加載時將滑動平均變
# 量重命名,所以可以直接通過相同的名字在訓練時使用變量自身,而在測試時使用變量的滑動
# 平均值。在這個函數中也會將變量的正則化損失加入到損失集合。
def get_weight_variable(shape, regularizer):
weights = tf.get_variable(
"weights", shape,
initializer=tf.truncated_normal_initializer(stddev=0.1)
)
# 當給出了正則化生成函數時,將當前變量的正則化損失加入名字爲losses的集合。在這裏
# 使用了add_to_collection函數將一個張量加入一個集合,而這個集合的名稱爲losses。
# 這是自定義的集合,不在TensorFlow自動管理的集合列表中。
if regularizer != None:
tf.add_to_collection('losses', regularizer(weights))
return weights
# 定義神經網絡的前向傳播過程
def inference(input_tensor, regularizer):
# 聲明第一層神經網絡的變量並完成前向傳播過程。
with tf.variable_scope('layer1'):
# 這裏通過tf.get_variable或者tf.Variable沒有本質區別,因爲在訓練或者測試
# 中沒有在同一個程序中多次調用這個函數。如果在同一個程序中多次調用,在第一次
# 調用之後需要將reuse參數設置爲True。
weights = get_weight_variable(
[INPUT_NODE, LAYER1_NODE], regularizer
)
biases = tf.get_variable(
"biases", [LAYER1_NODE],
initializer=tf.constant_initializer(0.0)
)
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights)+biases)
# 類似的聲明第二層神經網絡的變量並完成前向傳播過程。
with tf.variable_scope('layer2'):
weights = get_weight_variable(
[LAYER1_NODE, OUTPUT_NODE], regularizer
)
biases = tf.get_variable(
"biases", [OUTPUT_NODE],
initializer=tf.constant_initializer(0.0)
)
layer2 = tf.matmul(layer1, weights) + biases
# 返回最後前向傳播的結果
return layer2
2.2訓練模塊
將訓練模型的模塊提取出來,訓練模塊命名爲mnist_train.py
,在下面的代碼中每過1000個step我們就保存一次模型。代碼如下:
# -*- coding: utf-8 -*-
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加載mnist_inference.py中定義的常量和前向傳播的函數。
import mnist_inference
# 配置神經網絡的參數。
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 30000
MOVING_AVERAGE_DECAY = 0.99
# 模型保存的路徑和文件名
MODEL_SAVE_PATH = "D:\gj20170720"
MODEL_NAME = "model.ckpt"
def train(mnist):
# 定義輸入輸出placeholder。
x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input')
y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
# 直接使用mnist_inference.py中定義的前向傳播過程
y = mnist_inference.inference(x, regularizer)
global_step = tf.Variable(0, trainable=False)
# 定義損失函數、學習率、滑動平均操作以及訓練過程
variable_averages = tf.train.ExponentialMovingAverage(
MOVING_AVERAGE_DECAY, global_step
)
variable_averages_op = variable_averages.apply(
tf.trainable_variables()
)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits=y, labels=tf.argmax(y_, 1)
)
cross_entropy_mean = tf.reduce_mean(cross_entropy)
loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE,
global_step,
mnist.train.num_examples / BATCH_SIZE,
LEARNING_RATE_DECAY
)
train_step = tf.train.GradientDescentOptimizer(learning_rate)\
.minimize(loss, global_step=global_step)
with tf.control_dependencies([train_step, variable_averages_op]):
train_op = tf.no_op(name='train')
# 初始化TensorFlow持久化類
saver = tf.train.Saver()
with tf.Session() as sess:
tf.global_variables_initializer().run()
# 在訓練過程中不再測試模型在驗證數據上的表現,驗證和測試的過程將會有一個獨
# 立的程序來完成。
for i in range(TRAINING_STEPS):
xs, ys = mnist.train.next_batch(BATCH_SIZE)
_, loss_value, step = sess.run([train_op, loss, global_step],
feed_dict={x: xs, y_: ys})
# 每1000輪保存一次模型
if i % 1000 == 0:
# 輸出當前的訓練情況。這裏只輸出了模型在當前訓練batch上的損失
# 函數大小。通過損失函數的大小可以大概瞭解訓練的情況。在驗證數
# 據集上正確率的信息會有一個單獨的程序來生成
print("After %d training step(s), loss on training "
"batch is %g." % (step, loss_value))
# 保存當前的模型。注意這裏給出了global_step參數,這樣可以讓每個
# 被保存的模型的文件名末尾加上訓練的輪數,比如“model.ckpt-1000”,
# 表示訓練1000輪之後得到的模型。
saver.save(
sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME),
global_step=global_step
)
def main(argv=None):
mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
train(mnist)
if __name__ == "__main__":
tf.app.run()
運行結果:
2.3驗證與測試模塊
驗證模塊與測試模塊可以對保存好的訓練模型進行驗證與測試,在下面的代碼中選擇每過10秒鐘驗證一個最新的模型。這樣做的好處是可以將訓練與驗證或者測試分割開來,同時進行。
# -*- coding: utf-8 -*-
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加載mnist_inference.py 和mnist_train.py中定義的常量和函數。
import mnist_inference
import mnist_train
# 每10秒加載一次最新的模型,並且在測試數據上測試最新模型的正確率
EVAL_INTERVAL_SECS = 10
def evaluate(mnist):
with tf.Graph().as_default() as g:
# 定義輸入輸出的格式。
x = tf.placeholder(
tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input'
)
y_ = tf.placeholder(
tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input'
)
validate_feed = {x: mnist.validation.images,
y_: mnist.validation.labels}
# 直接通過調用封裝好的函數來計算前向傳播的結果。因爲測試時不關注ze正則化損失的值
# 所以這裏用於計算正則化損失的函數被設置爲None。
y = mnist_inference.inference(x, None)
# 使用前向傳播的結果計算正確率。如果需要對未知的樣例進行分類,那麼使用
# tf.argmax(y,1)就可以得到輸入樣例的預測類別了。
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 通過變量重命名的方式來加載模型,這樣在前向傳播的過程中就不需要調用求滑動平均
# 的函數來獲取平均值了。這樣就可以完全共用mnist_inference.py中定義的
# 前向傳播過程。
variable_averages = tf.train.ExponentialMovingAverage(
mnist_train.MOVING_AVERAGE_DECAY
)
variables_to_restore = variable_averages.variables_to_restore()
saver = tf.train.Saver(variables_to_restore)
# 每隔EVAL_INTERVAL_SECS秒調用一次計算正確率的過程以檢驗訓練過程中正確率的
# 變化。
while True:
with tf.Session() as sess:
# tf.train.get_checkpoint_state函數會通過checkpoint文件自動
# 找到目錄中最新模型的文件名。
ckpt = tf.train.get_checkpoint_state(
mnist_train.MODEL_SAVE_PATH
)
if ckpt and ckpt.model_checkpoint_path:
# 加載模型。
saver.restore(sess, ckpt.model_checkpoint_path)
# 通過文件名得到模型保存時迭代的輪數。
global_step = ckpt.model_checkpoint_path\
.split('/')[-1].split('-')[-1]
accuracy_score = sess.run(accuracy,
feed_dict=validate_feed)
print("After %s training step(s), validation "
"accuracy = %g" % (global_step, accuracy_score))
else:
print("No checkpoint file found")
return
time.sleep(EVAL_INTERVAL_SECS)
def main(argv=None):
mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
evaluate(mnist)
if __name__ == "__main__":
tf.app.run()
運行結果: