TF基础4
模型的存储与加载
TF的API提供了两种方式来存储和加载模型:
1.生成检查点文件，扩展名.ckpt,通过在tf.train.Saver()对象上调用Saver.save()生成。包含权重和其他在程序中定义的变量，不包含图结构。
2.生成图协议文件，扩展名.pb，用tf.train.write_graph()保存，只包含图形结构，不包含权重，然后使用tf.import_graph_def()来加载图形。
模型的存储与加载
（https://github.com/nlintz/TensorFlow-Tutorials/blob/master/10_save_restore_net.py）
加载数据及定义模型
#加载数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
X = tf.placeholder("float", [None, 784])
Y = tf.placeholder("float", [None, 10])
#初始化权重参数
w_h = init_weights([784, 625])
w_h2 = init_weights([625, 625])
w_o = init_weights([625, 10])
#定义权重函数
def init_weights(shape):
return tf.Variable(tf.random_normal(shape, stddev=0.01))
#定义模型
def model(X, w_h, w_h2, w_o, p_keep_input, p_keep_hidden): # this network is the same as the previous one except with an extra hidden layer + dropout
#第一个全连接层
X = tf.nn.dropout(X, p_keep_input)
h = tf.nn.relu(tf.matmul(X, w_h))
h = tf.nn.dropout(h, p_keep_hidden)
#第一个全连接层
h2 = tf.nn.relu(tf.matmul(h, w_h2))
h2 = tf.nn.dropout(h2, p_keep_hidden)
return tf.matmul(h2, w_o)#输出预测值
生成网络模型，得到预测值，代码如下：
p_keep_input = tf.placeholder("float")
p_keep_hidden = tf.placeholder("float")
py_x = model(X, w_h, w_h2, w_o, p_keep_input, p_keep_hidden)
定义损失函数：
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=py_x, labels=Y))
train_op = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cost)
predict_op = tf.argmax(py_x, 1)
训练模型及存储模型
首先定义一个存储路径：
ckpt_dir = "./ckpt_dir"
if not os.path.exists(ckpt_dir):
os.makedirs(ckpt_dir)
定义一个计数器，为训练轮数计数：
global_step = tf.Variable(0, name='global_step', trainable=False)
当定义完所有变量后，调用tf.train.Saver()来保存和提取变量：
# Call this after declaring all tf.Variables.
saver = tf.train.Saver()
# This variable won't be stored, since it is declared after tf.train.Saver()
non_storable_variable = tf.Variable(777)
训练模型并存储
with tf.Session() as sess:
# you need to initialize all variables
tf.global_variables_initializer().run()
start = global_step.eval() # get last global_step
print("Start from:", start)
for i in range(start, 100):
for start, end in zip(range(0, len(trX), 128), range(128, len(trX)+1, 128)):
sess.run(train_op, feed_dict={X: trX[start:end], Y: trY[start:end],
p_keep_input: 0.8, p_keep_hidden: 0.5})
global_step.assign(i).eval() # set and update(eval) global_step with index, i
saver.save(sess, ckpt_dir + "/model.ckpt", global_step=global_step)
加载模型
如果有训练好的模型变量文件，可以用saver.restore()来进行模型加载：
# Launch the graph in a session
with tf.Session() as sess:
# you need to initialize all variables
tf.global_variables_initializer().run()
ckpt = tf.train.get_checkpoint_state(ckpt_dir)
if ckpt and ckpt.model_checkpoint_path:
print(ckpt.model_checkpoint_path)
saver.restore(sess, ckpt.model_checkpoint_path) # restore all variables
图的存储与加载
当仅保存图模型时，才将图写入二进制文件中：
v=tf.Variable(0,name='my_variable')
sess=tf.Session()
tf.train.write_graph(sess.gaph_def,'/tmp/tfmodel','train.pbtxt')
当读取时，又从协议文件中读取出来：
with tf.Session() as_sess:
with gfile.FastGFile("/tem/tfmodel/train.pbtxt",'rb') as f:
graph_def=tf.GraphDef()
graph_def.ParseFromString(f.read())
_sess.grap.as_default()
tf.import_graph_def(graph_def,name='tfgraph')
队列和线程
队列
在TF中有两种队列，即FIFOQueue和RandomShuffleQueue.
FIFOQueue:创建一个先入先出队列
RandomShuffleQueue：创建一个随机队列
队列管理器
QueueRunner
线程和协调器
使用协调器（Coordinator）来管理线程。
加载数据
TF给出了3种方法：
1.预加载数据：在TensorFlow图中定义常量或变量来保存所有数据
2.填充数据feeding:Python产生数据，再把数据填充后端
3.从文件中读取数据：让队列管理器从文件中读取数据
预加载数据
缺点：当训练数据较大时，很消耗内存。
x1=tf.constant([2,3,4])
x2=tf.constant([2,1,4])
y=tf.add(x1,x2)
填充数据
使用sess.run()中的feed_dict参数，将Python产生的数据填充给后端。
#设计图
a1=tf.placeholder(tf.int16)
a2=tf.placeholder(tf.int16)
b=tf.add(x1,x2)
#用Python产生数据
li1=[2,3,4]
li2=[2,1,4]
#打开一个会话，将数据填充给后端
with tf.Session() as sess:
print(sess.run(b,feed_dict={a1:li1,a2:li2})
（https://www.tensorflow.org/guide/datasets#preloaded_data）
填充的方式也有数据量大、消耗内存等缺点。这时最好用第三种，从文件读取。
填充数据
从文件中读取数据分为两个步骤：
1.把样本数据写入TFRecords二进制文件
2.再从队列中读取
