tf 模型保存

tf用 tf.train.Saver类来实现神经网络模型的保存和读取。无论保存还是读取，都首先要创建saver对象。

 

用saver对象的save方法保存模型

保存的是所有变量

save(
    sess,
    save_path,
    global_step=None,　　
    latest_filename=None,
    meta_graph_suffix='meta',
    write_meta_graph=True,
    write_state=True
)

保存模型需要session，初始化变量

 

用法示例

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

saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.save(sess, "Model/model.ckpt", global_step=3)

输出

1. global_step 放在文件名后面，起个标记作用

2. save方法输出4个文件

　　// checkpoint 里面是一堆路径，model_checkpoint_path 记录了最新模型的路径，all_model_checkpoint_paths 记录了之前模型的路径

　　// model.ckpt-3.data-00000-of-00001 存放的是模型参数

　　// model.ckpt-3.meta 存放的是计算图

3. 最多只能保存近5次模型，比如我们迭代100次，每次保存一下，最后只留下了最近的5次。

 

用saver对象的restore方法加载模型

加载的是所有变量，以name为准，假如保存的模型中有变量叫 a ，value是2，那么在加载后，即使重新建立变量a，并赋其他value，其value仍然是2

restore(
    sess,
    save_path
)

加载模型需要session，不需要初始化变量

 

用法示例（接前例）

v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1")
v2 = tf.Variable(tf.constant(7.0, shape=[1]), name="v2")
# v2 = tf.Variable(tf.constant(7.0, shape=[1]), name="v22")           # Key v22 not found in checkpoint
result = v1 + v2

saver = tf.train.Saver()
#
with tf.Session() as sess:
    saver.restore(sess, "./Model/model.ckpt-3") # 注意此处路径前添加"./"
    print(sess.run(result)) # [ 3.]

1. 重新给 name为 v2的变量 赋值，其结果仍然是3，说明加载了之前的v2

2. 新建name为 v22 的变量，报错， 在保存的模型中没找到v2 。说明寻找变量以name为准，不以变量名为准

 

继续做如下尝试

v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1")
# v2 = tf.Variable(tf.constant(7.0, shape=[1]), name="v2")
v3 = tf.Variable(tf.constant(7.0, shape=[1]), name="v22")           # Key v22 not found in checkpoint
result = v1 + v3

saver = tf.train.Saver()
#
with tf.Session() as sess:
    # sess.run(tf.global_variables_initializer())                     # Key v22 not found in checkpoint
    saver.restore(sess, "./Model/model.ckpt-3") # 注意此处路径前添加"./"
    # sess.run(tf.global_variables_initializer())                       # Key v22 not found in checkpoint
    print(sess.run(result)) # [ 3.]

1. 新建name为v22的变量v3，仍然报错，说明新的变量没有被接受

2. 在加载模型前初始化v3，仍然报错，加载模型后初始化v3，仍然报错，这说明在加载的模型中不接受新的变量。

 

继续尝试

v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1")
# v2 = tf.Variable(tf.constant(7.0, shape=[1]), name="v2")
v3 = tf.Variable(tf.constant(7.0, shape=[1]), name="v22")           # Key v22 not found in checkpoint
result = v1 + v3

saver = tf.train.Saver()
#
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())                     # Key v22 not found in checkpoint
    print(sess.run(v3))                                             # [7.]
    saver.restore(sess, "./Model/model.ckpt-3") # 注意此处路径前添加"./"
    sess.run(tf.global_variables_initializer())                       # Key v22 not found in checkpoint
    print(sess.run(result)) # [ 3.]

在加载模型前初始化变量，正确输出，但在加载后，报错，证实了我上面的说法，“不接受新的变量”

 

总结：

1. 模型加载加载的是所有变量，以name为准

2. 模型加载后不接受任何新的变量

3. 在加载模型时需要重新定义计算图上的所有节点，但是变量无需初始化

 

加载计算图

直接加载计算图就无需重新定义计算图上的节点

 

用法示例

saver = tf.train.import_meta_graph("Model/model.ckpt-3.meta")

with tf.Session() as sess:
    saver.restore(sess, "./Model/model.ckpt-3") # 注意路径写法
    print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0")))     # [3.]
    # print(sess.run(sess.graph.get_tensor_by_name('add:0')))                 # [3.]

 

重命名变量

在加载模型时不接受新的变量，这会造成很多麻烦。

为解决这个问题，加载模型时可以给变量重命名。

 

用法示例

u1 = tf.Variable(tf.constant(1.0, shape=[1]), name="other-v1")
u2 = tf.Variable(tf.constant(2.0, shape=[1]), name="other-v2")
result = u1 + u2

# 若直接声明Saver类对象，会报错变量找不到
# 使用一个字典dict重命名变量即可，{"已保存的变量的名称name": 重命名变量名}
# 原来名称name为v1的变量现在加载到变量u1（名称name为other-v1）中
saver = tf.train.Saver({"v1": u1, "v2": u2})

with tf.Session() as sess:
    saver.restore(sess, "./Model/model.ckpt-3")
    print(sess.run(result)) # [ 3.]

注意重命名格式  老变量的name: 新变量名

 

 

参考资料：

https://blog.csdn.net/marsjhao/article/details/72829635

https://blog.csdn.net/shuzfan/article/details/79197432