Tensorflow筆記（二）--模型的加載和保存

Tensorflow筆記系列：

一、flag函數
二、模型的加載和保存

1. Tensorflow模型文件

我們在checkpoint_dir目錄下保存的文件結構如下：

|--checkpoint_dir
|    |--checkpoint
|    |--MyModel.meta
|    |--MyModel.data-00000-of-00001
|    |--MyModel.index

1.1 meta文件

MyModel.meta文件保存的是圖結構，meta文件是pb（protocol buffer）格式文件，包含變量、op、集合等。

1.2 ckpt文件

ckpt文件是二進制文件，保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11後，通過兩個文件保存,如：

MyModel.data-00000-of-00001
MyModel.index

1.3 checkpoint文件

我們還可以看，checkpoint_dir目錄下還有checkpoint文件，該文件是個文本文件，裏面記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時，可以通過修改這個文件，指定使用哪個model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver類來保存模型，值得注意的是，在tensorflow中，變量是存在於Session環境中，也就是說，只有在Session環境下才會存有變量值，因此，保存模型時需要傳入session：

saver = tf.train.Saver()
saver.save(sess,"./checkpoint_dir/MyModel")
看一個簡單例子：

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, './checkpoint_dir/MyModel')

執行後，在checkpoint_dir目錄下創建模型文件如下：

checkpoint
MyModel.data-00000-of-00001
MyModel.index
MyModel.meta

另外，如果想要在1000次迭代後，再保存模型，只需設置global_step參數即可

保存的模型文件名稱會在後面加-1000,如下：

checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
MyModel-1000.meta

3 導入訓練好的模型

在第1小節中我們介紹過，tensorflow將圖和變量數據分開保存爲不同的文件。因此，在導入模型時，也要分爲2步：構造網絡圖和加載參數

3.1 構造網絡圖

一個比較笨的方法是，手敲代碼，實現跟模型一模一樣的圖結構。其實，我們既然已經保存了圖，那就沒必要在去手寫一次圖結構代碼。

saver=tf.train.import_meta_graph(’./checkpoint_dir/MyModel-1000.meta’)
上面一行代碼，就把圖加載進來了

3.2 加載參數

僅僅有圖並沒有用，更重要的是，我們需要前面訓練好的模型參數（即weights、biases等），本文第2節提到過，變量值需要依賴於Session，因此在加載參數時，先要構造好Session：

import tensorflow as tf
with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
  new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
此時，W1和W2加載進了圖，並且可以被訪問：

import tensorflow as tf
with tf.Session() as sess:    
    saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    saver.restore(sess,tf.train.latest_checkpoint('./checkpoint_dir'))
    print(sess.run('w1:0'))

##Model has been restored. Above statement will print the saved value
執行後，打印如下：

[ 0.51480412 -0.56989086]