使用tensorflow過程中，訓練結束后我們需要用到模型文件。有時候，我們可能也需要用到別人訓練好的模型，并在這個基礎上再次訓練。這時候我們需要掌握如何操作這些模型數據。看完本文，相信你一定會有收獲！

一、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后，通過兩個文件保存,如下：

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，里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

二、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，變量是存在于 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 tfw1 = 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')

執行后，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次迭代后，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后面加-1000,如下：

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

在實際訓練中，我們可能會在每1000次迭代中保存一次模型數據，但是由于圖是不變的，沒必要每次都去保存，可以通過如下方式指定不保存圖：

saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)

另一種比較實用的是，如果你希望每2小時保存一次模型，并且只保存最近的5個模型文件：

tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)

注意：tensorflow默認只會保存最近的5個模型文件，如果你希望保存更多，可以通過max_to_keep來指定

如果我們不對tf.train.Saver指定任何參數，默認會保存所有變量。如果你不想保存所有變量，而只保存一部分變量，可以通過指定variables/collections。在創建tf.train.Saver實例時，通過將需要保存的變量構造list或者dictionary，傳入到Saver中：???????

import tensorflow as tfw1 = 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, './checkpoint_dir/MyModel',global_step=1000)

三、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為不同的文件。因此，在導入模型時，也要分為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。下面一行代碼，就把圖加載進來了

saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')

3.2 加載參數

僅僅有圖并沒有用，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，變量值需要依賴于Session，因此在加載參數時，先要構造好Session：

import tensorflow as tfwith 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

此時，W1和W2加載進了圖，并且可以被訪問,執行后，打印如下：

[ 0.51480412 -0.56989086]

四、使用恢復的模型

前面我們理解了如何保存和恢復模型，很多時候，我們希望使用一些已經訓練好的模型，如prediction、fine-tuning以及進一步訓練等。這時候，我們可能需要獲取訓練好的模型中的一些中間結果值，可以通過?graph.get_tensor_by_name('w1:0')?來獲取，注意w1:0是tensor的name。

假設我們有一個簡單的網絡模型，代碼如下：

import tensorflow as tfw1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias") # 定義一個op，用于后面恢復
w3 = tf.add(w1, w2)
w4 = tf.multiply(w3, b1, name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())# 創建一個Saver對象，用于保存所有變量
saver = tf.train.Saver()# 通過傳入數據，執行op
print(sess.run(w4, feed_dict ={w1: 4, w2: 8}))  # 打印 24.0 ==>(w1+w2)*b1# 保存模型
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下來我們使用?graph.get_tensor_by_name()?方法來操縱這個保存的模型。

import tensorflow as tfsess=tf.Session()
# 先加載圖和參數變量
saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))# 訪問placeholders變量，并且創建feed-dict來作為placeholders的新值
graph = tf.get_default_graph()
# w1 = graph.get_operation_by_name('w1') # 這個只是獲取了operation， 至于有什么用還不知道
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}# 接下來，訪問你想要執行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")print(sess.run(op_to_restore,feed_dict))  # 打印結果為60.0==>(13+17)*2

注意：保存模型時，只會保存變量的值，placeholder里面的值不會被保存

如果你不僅僅是用訓練好的模型，還要加入一些op，或者說加入一些layers并訓練新的模型，可以通過一個簡單例子來看如何操作：

import tensorflow as tfsess = tf.Session()
# 先加載圖和變量
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))# 訪問placeholders變量，并且創建feed-dict來作為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}#接下來，訪問你想要執行的op
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")# 在當前圖中能夠加入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

如果只想恢復圖的一部分，并且再加入其它的op用于fine-tuning。只需通過graph.get_tensor_by_name()方法獲取需要的op，并且在此基礎上建立圖，看一個簡單例子，假設我們需要在訓練好的VGG網絡使用圖，并且修改最后一層，將輸出改為2，用于fine-tuning新數據：

......
......
saver = tf.train.import_meta_graph('vgg.meta')
# 訪問圖
graph = tf.get_default_graph() # 訪問用于fine-tuning的output
fc7 = graph.get_tensor_by_name('fc7:0')# 如果你想修改最后一層梯度，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()

???????六、tensorflow從已經訓練好的模型中，恢復指定權重(構建新變量、網絡)并繼續訓練(finetuning)

該部分轉載自：https://blog.csdn.net/ying86615791/article/details/76215363

假如要保存或者恢復指定tensor，并且把保存的graph恢復(插入)到當前的graph中呢？

總的來說，目前我會的是兩種方法，命名都是很關鍵！
兩種方式保存模型，
1.保存所有tensor，即整張圖的所有變量，
2.只保存指定scope的變量
兩種方式恢復模型，
1.導入模型的graph，用該graph的saver來restore變量
2.在新的代碼段中寫好同樣的模型（變量名稱及scope的name要對應），用默認的graph的saver來restore指定scope的變量

兩種保存方式：
1.保存整張圖，所有變量

...
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...

2.保存圖中的部分變量

...
init = tf.global_variables_initializer()
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#獲取指定scope的tensor
saver = tf.train.Saver(vgg_ref_vars)#初始化saver時，傳入一個var_list的參數
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...

兩種恢復方式：
1.導入graph來恢復

...
vgg_meta_path = params['vgg_meta_path'] # 后綴是'.ckpt.meta'的文件
vgg_graph_weight = params['vgg_graph_weight'] # 后綴是'.ckpt'的文件，里面是各個tensor的值
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 導入graph到當前的默認graph中，返回導入graph的saver
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，獲取輸入的placeholder
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，獲取要使用的tensor
"""
以上兩個獲取tensor的方式也可以為:
graph = tf.get_default_graph()
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
當然，前提是有tensor的名字
"""
...
init = tf.global_variables_initializer()
saver = tf.train.Saver() # 這個是當前新圖的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用導入圖的saver來恢復
...

2.重寫一樣的graph，然后恢復指定scope的變量

def re_build():#重建保存的那個graph
with tf.variable_scope('vgg_feat_fc'): #沒錯，這個scope要和需要恢復模型中的scope對應
...
return ...
?
...
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有這個scope，其實第1個方法中，導入graph后，可以不用返回的vgg_saver，再新建一個指定var_list的vgg_saver就好了，恩，需要傳入一個var_list的參數
...
init = tf.global_variables_initializer()
saver_vgg = tf.train.Saver(vgg_ref_vars) # 這個是要恢復部分的saver
saver = tf.train.Saver() # 這個是當前新圖的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用導入圖的saver來恢復
...

總結一下，這里的要點就是，在restore的時候，saver要和模型對應，如果直接用當前graph的saver = tf.train.Saver(),來恢復保存模型的權重saver.restore(vgg_graph_weight),就會報錯，提示key/tensor ... not found之類的錯誤;
寫graph的時候，一定要注意寫好scope和tensor的name，合理插入variable_scope;?

最方便的方式還是，用第1種方式來保存模型，這樣就不用重寫代碼段了，然后第1種方式恢復，不過為了穩妥，最好還是通過獲取var_list，指定saver的var_list，妥妥的！

最新發現，用第1種方式恢復時，要記得當前的graph和保存的模型中沒有重名的tensor，否則當前graph的tensor name可能不是那個name，可能在后面加了"_1"....-_-||

在恢復圖基礎上構建新的網絡（變量）并訓練(finetuning)

恢復模型graph和weights在上面已經說了，這里的關鍵點是怎樣只恢復原圖的權重?，并且使optimizer只更新新構造變量（指定層、變量）。

（以下code與上面沒聯系）

"""1.Get input, output , saver and graph"""#從導入圖中獲取需要的東西
meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
saver_restore = tf.train.import_meta_graph(meta_path_restore) #獲取導入圖的saver，便于后面恢復
graph_restore = tf.get_default_graph() #此時默認圖就是導入的圖
#從導入圖中獲取需要的tensor
#1. 用collection來獲取
input_x = tf.get_collection('inputs')[0]
input_is_training = tf.get_collection('is_training')[0]
output_feat_fused = tf.get_collection('feat_fused')[0]
#2. 用tensor的name來獲取
input_y = graph_restore.get_tensor_by_name('label_exp:0')
print('Get tensors...')
print('inputs shape: {}'.format(input_x.get_shape().as_list()))
print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))
?
?
"""2.Build new variable for fine tuning"""#構造新的variables用于后面的finetuning
graph_restore.clear_collection('feat_fused') #刪除以前的集合，假如finetuning后用新的代替原來的
graph_restore.clear_collection('prob')
#添加新的東西
if F_scale is not None and F_scale!=0:
print('F_scale is not None, value={}'.format(F_scale))
feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合
logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits"
?
?
"""3.Get acc and loss"""#構造損失
with tf.variable_scope('accuracy'):
accuracy,prediction = ...
with tf.variable_scope('loss'):
loss = ...
?
"""4.Build op for fine tuning"""
global_step = tf.Variable(0, trainable=False,name='global_step')
learning_rate = tf.train.exponential_decay(initial_lr,
global_step=global_step,
decay_steps=decay_steps,
staircase=True,
decay_rate=0.1)
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
var_list = tf.contrib.framework.get_variables('final_logits')#關鍵！獲取指定scope下的變量
train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
"""5.Begin training"""
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
saver_restore.restore(sess, model_path_restore) #這里saver_restore對應導入圖的saver，如果用上面新的saver的話會報錯因為多出了一些新的變量在保存的模型中是沒有那些權值的
sess.run(train_op, feed_dict)
.......