在本教程中，我將會解釋：
- TensorFlow模型是什麼樣的？
- 如何保存TensorFlow模型？
- 如何恢復預測/轉移學習的TensorFlow模型？
- 如何使用導入的預先訓練的模型進行微調和修改?
這個教程假設你已經對神經網絡有了一定的瞭解。如果不瞭解的話請查閱相關資料。
1. 什麼是TensorFlow模型？
訓練了一個神經網絡之後，我們希望保存它以便將來使用。那麼什麼是TensorFlow模型?Tensorflow模型主要包含我們所訓練的網絡參數的網絡設計或圖形和值。因此，Tensorflow模型有兩個主要的文件:
-
Meta graph：
這是一個協議緩衝區，它保存了完整的Tensorflow圖形;即所有變量、操作、集合等。該文件以.meta作爲擴展名。 -
Checkpoint file：
這是一個二進制文件，它包含了所有的權重、偏差、梯度和其他所有變量的值。這個文件有一個擴展名.ckpt。然而，Tensorflow從0.11版本中改變了這一點。現在，我們有兩個文件，而不是單個.ckpt文件:
mymodel.data-00000-of-00001
mymodel.index
.data文件是包含我們訓練變量的文件，我們待會將會使用它。
與此同時，Tensorflow也有一個名爲checkpoint的文件，它只保存的最新保存的checkpoint文件的記錄。
因此，爲了總結，對於大於0.10的版本，Tensorflow模型如下:
在0.11之前的Tensorflow模型僅包含三個文件:
inception_v1.meta
inception_v1.ckpt
checkpoint
現在我們已經知道了Tensorflow模型的樣子，接下來我們來看看TensorFlow是如何保存模型的。
2. 保存TensorFlow模型
比方說，你正在訓練一個卷積神經網絡來進行圖像分類。作爲一種標準的練習，你要時刻關注損失和準確率。一旦看到網絡已經收斂，我們可以暫停模型的訓練。在完成培訓之後，我們希望將所有的變量和網絡結構保存到一個文件中，以便將來使用。因此，在Tensorflow中，我們希望保存所有參數的圖和值，我們將創建一個tf.train.Saver()類的實例。
saver = tf.train.Saver()
請記住，Tensorflow變量僅在會話中存在。因此，您必須在一個會話中保存模型，調用您剛剛創建的save方法。
saver.save(sess, 'my-test-model')
這裏，sess是會話對象，而’my-test-model’是保存的模型的名稱。讓我們來看一個完整的例子:
import tensorflow as tf
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
saver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver.save(sess, 'my_test_model')
# This will save following files in Tensorflow v >= 0.11
# my_test_model.data-00000-of-00001
# my_test_model.index
# my_test_model.meta
# checkpoint
如果我們想在1000次迭代之後保存模型，我們在save中添加global_step參數:
saver.save(sess, 'my_test_model',global_step=1000)
這將會將’-1000’追加到模型名稱，並創建以下文件:
my_test_model-1000.index
my_test_model-1000.meta
my_test_model-1000.data-00000-of-00001
checkpoint
比方說，在訓練時，我們在每次1000次迭代後都保存模型，所以.meta文件是第一次創建的(在第1000次迭代中)，我們不需要每次都重新創建.meta文件(我們在2000，3000次沒有保存.meta文件)。我們僅爲進一步的迭代保存模型，因爲圖不會改變。因此，當我們不想保存meta-graph時，我們用這個:
saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
如果你希望僅保留4個最新的模型，並且希望在訓練過程中每兩個小時後保存一個模型，那麼你可以使用max_to_keep和keep_checkpoint_every_n_hours這樣做。
#saves a model every 2 hours and maximum 4 latest models are saved.
saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)
注意，如果我們在tf.train.Saver()中沒有指定任何東西，它將保存所有的變量。如果，我們不想保存所有的變量，而只是一些變量。我們可以指定要保存的變量/集合。在創建tf.train。保護程序實例，我們將它傳遞給我們想要保存的變量的列表或字典。讓我們來看一個例子:
import tensorflow as tf
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
saver = tf.train.Saver([w1,w2])
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver.save(sess, 'my_test_model',global_step=1000)
這可以用於在需要時保存特定的Tensorflow圖。
3. 導入訓練好的模型
如果你想用別人預先訓練好的模型來進行微調，你需要做以下兩件事:
1. 創建網絡
你可以通過編寫python代碼創建網絡，以手工創建每一層，並將其作爲原始模型。但是，如果你考慮一下，我們已經在.meta文件中保存了這個網絡，我們可以使用tf.train.import()函數來重新創建這個網絡：
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
記住，import_meta_graph將在.meta文件中定義的網絡附加到當前圖。因此，這將爲你創建圖形/網絡，但是我們仍然需要加載我們在這張圖上訓練過的參數的值。
2. 載入參數
我們可以通過調用這個保護程序的實例來恢復網絡的參數，它是tf.train.Saver()類的一個實例。
with tf.Session() as sess:
new_saver = tf.train.import_meta_graph('my_test_model-1000.meta')
new_saver.restore(sess, tf.train.latest_checkpoint('./'))
在此之後，像w1和w2這樣的張量的值已經恢復並且可以被訪問:
with tf.Session() as sess:
saver = tf.train.import_meta_graph('my-model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))
print(sess.run('w1:0'))
##Model has been restored. Above statement will print the saved value of w1
因此，現在你已經瞭解瞭如何爲Tensorflow模型保存和導入工作。在下一節中，我描述了上面的實際使用，以加載任何預先訓練過的模型。
4. 使用導入的模型
現在你已經瞭解瞭如何保存和恢復Tensorflow模型，讓我們開發一個實用的例子來恢復任何預先訓練的模型，並使用它進行預測、微調或進一步訓練。當您使用Tensorflow時，你將定義一個圖，該圖是feed examples(訓練數據)和一些超參數(如學習速率、迭代次數等)，它是一個標準的過程，我們可以使用佔位符來存放所有的訓練數據和超參數。接下來，讓我們使用佔位符構建一個小網絡並保存它。注意，當網絡被保存時，佔位符的值不會被保存。
import tensorflow as tf
#Prepare to feed input, i.e. feed_dict and placeholders
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
feed_dict ={w1:4,w2:8}
#Define a test operation that we will restore
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#Create a saver object which will save all the variables
saver = tf.train.Saver()
#Run the operation by feeding input
print sess.run(w4,feed_dict)
#Prints 24 which is sum of (w1+w2)*b1
#Now, save the graph
saver.save(sess, 'my_test_model',global_step=1000)
現在，當我們想要恢復它時，我們不僅要恢復圖和權重，還要準備一個新的feed_dict，它將把新的訓練數據輸入到網絡中。我們可以通過graph.get_tensor_by_name()方法來引用這些保存的操作和佔位符變量。
#How to access saved variable/Tensor/placeholders
w1 = graph.get_tensor_by_name("w1:0")
## How to access saved operation
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
如果我們只是想用不同的數據運行相同的網絡，您可以簡單地通過feed_dict將新數據傳遞給網絡。
import tensorflow as tf
sess=tf.Session()
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))
# Now, let's access and create placeholders variables and
# create feed-dict to feed new data
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}
#Now, access the op that you want to run.
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
print sess.run(op_to_restore,feed_dict)
#This will print 60 which is calculated
#using new values of w1 and w2 and saved value of b1.
如果你希望通過添加更多的層數並對其進行訓練，從而向圖中添加更多的操作，可以這樣做:
import tensorflow as tf
sess=tf.Session()
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))
# Now, let's access and create placeholders variables and
# create feed-dict to feed new data
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}
#Now, access the op that you want to run.
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
#Add more to the current graph
add_on_op = tf.multiply(op_to_restore,2)
print sess.run(add_on_op,feed_dict)
#This will print 120.
但是，你是否可以在之前圖的結構上構建新的網絡?當然，您可以通過graph.get_tensor_by_name()方法訪問適當的操作，並在此基礎上構建圖。這是一個真實的例子。在這裏，我們使用元圖加載一個vgg預訓練的網絡，並在最後一層中將輸出的數量更改爲2，以便對新數據進行微調。
......
......
saver = tf.train.import_meta_graph('vgg.meta')
# Access the graph
graph = tf.get_default_graph()
## Prepare the feed_dict for feeding data for fine-tuning
#Access the appropriate output for fine-tuning
fc7= graph.get_tensor_by_name('fc7:0')
#use this if you only want to change gradients of the last layer
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()
希望這能讓你清楚地瞭解如何保存和恢復Tensorflow模型。