使用tensorflow過程中，訓練結束後我們需要用到模型檔案。有時候，我們可能也需要用到別人訓練好的模型，並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資料。看完本文，相信你一定會有收穫！

1 Tensorflow模型檔案

我們在checkpoint_dir目錄下儲存的檔案結構如下：

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

1.1 meta檔案

MyModel.meta檔案儲存的是圖結構，meta檔案是pb（protocol buffer）格式檔案，包含變數、op、集合等。

1.2 ckpt檔案

ckpt檔案是二進位制檔案，儲存了所有的weights、biases、gradients等變數。在tensorflow 0.11之前，儲存在.ckpt檔案中。0.11後，通過兩個檔案儲存,如：

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

• 1
• 2

1.3 checkpoint檔案

我們還可以看，checkpoint_dir目錄下還有checkpoint檔案，該檔案是個文字檔案，裡面記錄了儲存的最新的checkpoint檔案以及其它checkpoint檔案列表。在inference時，可以通過修改這個檔案，指定使用哪個model

2 儲存Tensorflow模型

tensorflow 提供了tf.train.Saver類來儲存模型，值得注意的是，在tensorflow中，變數是存在於Session環境中，也就是說，只有在Session環境下才會存有變數值，因此，儲存模型時需要傳入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目錄下建立模型檔案如下：

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

另外，如果想要在1000次迭代後，再儲存模型，只需設定global_step引數即可：

saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

儲存的模型檔名稱會在後面加-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次迭代中儲存一次模型資料，但是由於圖是不變的，沒必要每次都去儲存，可以通過如下方式指定不儲存圖：

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小時儲存一次模型，並且只儲存最近的5個模型檔案：

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

注意：tensorflow預設只會儲存最近的5個模型檔案，如果你希望儲存更多，可以通過max_to_keep來指定

如果我們不對tf.train.Saver指定任何引數，預設會儲存所有變數。如果你不想儲存所有變數，而只儲存一部分變數，可以通過指定variables/collections。在建立tf.train.Saver例項時，通過將需要儲存的變數構造list或者dictionary，傳入到Saver中：

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, './checkpoint_dir/MyModel',global_step=1000)

3 匯入訓練好的模型

在第1小節中我們介紹過，tensorflow將圖和變數資料分開儲存為不同的檔案。因此，在匯入模型時，也要分為2步：構造網路圖和載入引數

3.1 構造網路圖

一個比較笨的方法是，手敲程式碼，實現跟模型一模一樣的圖結構。其實，我們既然已經儲存了圖，那就沒必要在去手寫一次圖結構程式碼。

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

上面一行程式碼，就把圖載入進來了

3.2 載入引數

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引數（即weights、biases等），本文第2節提到過，變數值需要依賴於Session，因此在載入引數時，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載入進了圖，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，列印如下：

[ 0.51480412 -0.56989086]

4 使用恢復的模型

前面我們理解了如何儲存和恢復模型，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路模型，程式碼如下：

import tensorflow as tf


w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias") 

#定義一個op，用於後面恢復
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())

#建立一個Saver物件，用於儲存所有變數
saver = tf.train.Saver()

#通過傳入資料，執行op
print(sess.run(w4,feed_dict ={w1:4,w2:8}))
#列印 24.0 ==>(w1+w2)*b1

#現在儲存模型
saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

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

import tensorflow as tf

sess=tf.Session()
#先載入圖和引數變數
saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))


# 訪問placeholders變數，並且建立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")

print(sess.run(op_to_restore,feed_dict))
#列印結果為60.0==>(13+17)*2

注意：儲存模型時，只會儲存變數的值，placeholder裡面的值不會被儲存

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並訓練新的模型，可以通過一個簡單例子來看如何操作：

import tensorflow as tf

sess = tf.Session()
# 先載入圖和變數
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))

# 訪問placeholders變數，並且建立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))
# 列印120.0==>(13+17)*2*2

如果只想恢復圖的一部分，並且再加入其它的op用於fine-tuning。只需通過graph.get_tensor_by_name()方法獲取需要的op，並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網路使用圖，並且修改最後一層，將輸出改為2，用於fine-tuning新資料：

......
......
saver = tf.train.import_meta_graph('vgg.meta')
# 訪問圖
graph = tf.get_default_graph() 

#訪問用於fine-tuning的output
fc7= graph.get_tensor_by_name('fc7:0')

#如果你想修改最後一層梯度，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()

Reference