Java环境下TensorFlow模型的下载与加载

什么是tensorflow model

模型训练完毕之后，你可能需要在产品上使用它。那么tensorflow model是什么？tensorflow模型主要包含网络的结构的定义或者叫graph和训练好的网络结构里的参数。因此tensorflow model包含2个文件

a）Meta graph:

使用protocol buffer来保存整个tensorflow graph.例如所有的variables, operations, collections等等。这个文件使用.meta后缀

b) Checkpoint file:

二进制文件包含所有的weights,biases,gradients和其他variables的值。这个文件使用.ckpt后缀，有2个文件：

登录后复制

mymodel.data-00000-of-00001
mymodel.index

.data文件就是保存训练的variables我们将要使用它。

和这些文件一起，tensorflow还有一个文件叫checkpoint用来简单保存最近一次保存checkpoint文件的记录。

所以，总结起来就是 tensorflow models 对于版本0.11以上看起来是这样:

登录后复制

-rw-rw-r-- 1 yyai yyai 88102292  6月  8 22:36 model.ckpt-50.data-00001-of-00002
-rw-rw-r-- 1 yyai yyai     1614  6月  8 22:36 model.ckpt-50.index
-rw-rw-r-- 1 yyai yyai  2208508  6月  8 22:36 model.ckpt-50.meta
-rw-rw-r-- 1 yyai yyai      255  6月  8 22:36 checkpoint

现在我们知道一个tensorflow model的样子，可以看怎样保存模型。

保存模型

假设你训练一个卷积网络来做图片分类。通常你可以观察loss和accuracy值。当你观察到网络已经收敛，你可以手动停止训练或者你可以等到设定的epochs值跑完。 训练完毕以后，你希望保存所有的variables和network graph以便将来使用。如果你希望保存graph和所有parameters的值，可以使用tensorflow，来创建一个tf.train.Saver()的实例 saver = tf.train.Saver()

记住tensorflow里的variables在session才存活，所有，你需要在session里保存model，使用刚刚创建的saver对象里的save 方法。

登录后复制

saver.save(sees, ‘my-test-model’)

这里，sess就是session对象，’my-test-model’就是你给你的model起的名字，我们来看一个完整的样子：

登录后复制

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, 'my_test_model')

# This will save following files in Tensorflow v >= 0.11
# my_test_model.data-00000-of-00001
# my_test_model.index
# my_test_model.meta
# checkpoint

如果我们想要每1000个iteration保存一次model,可以使用save方法给他传递一个步长：

登录后复制

saver.save(sess, 'my_test_model',global_step=1000)

它将会在model名称的后面加上’-1000’，例如下面文件:

登录后复制

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

如果，我们每1000个iteration保存一次model，但是.meta文件只在第一次创建也就是第1000个iteration并且我们不需要每次都重新创建.meta文件。我们只需每次保存model，graph不会有变化。因此，当我们不需要写meta-graph文件时可以这样做：

登录后复制

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

如果我们只是想保存4个最近的model并且当训练2小时之后想要保存一个model，我们可以使用maxtokeep和keepcheckpointeverynhours例如：

登录后复制

#saves a model every 2 hours and maximum 4 latest models are saved.
saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)

注意，如果我们没有在tr.tran.Saver()的参数里指定任何值，它将会保存所有的variables。要是我们不想保存所有variables而只想保存其中的一些改怎么办呢。我们而已指定想要保存的variables/collections。当创建tf.train.Saver实例，我们传递一个想要保存的variables字典或者列表参数给它。例如：

登录后复制

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, 'my_test_model',global_step=1000)

Importing 一个 pre-trained model

如果你想使用别人的pre-trained model 来 fine-tuning, 有2件事你可以需要做：

a) 创建network:

你可以写python代码来创建network的每一个和每一层model，然后，想想你会发现，我们已经保存了network在.metafile里，我们可以使用tf.train.import()函数来重新创建network例如：saver = tf.train.importmetagraph('mytestmodel-1000.meta')

记住，importmetagraph 附加上了.meta文件里之前定义的network到当前的graph里。所以，这样会为你创建graph/network,但是我们还是需要在当前的graph里加载之前训练好的paramters的值

b)加载parameters: 我们可以恢复network里的parameters，值需要调用saver里restore函数

登录后复制

with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('my_test_model-1000.meta')
  new_saver.restore(sess, tf.train.latest_checkpoint('./‘))
  
  

然后，tensors的值 比如w1和w2就被加载了并且可以被访问到:

登录后复制

with tf.Session() as sess:    
    saver = tf.train.import_meta_graph('my-model-1000.meta')
    saver.restore(sess,tf.train.latest_checkpoint('./'))
    print(sess.run('w1:0'))
##Model has been restored. Above statement will print the saved value of w1.

4 恢复models来工作

下面给出一个实际的列子，创建一个小的network 使用placeholders并且保存它，注意network被保存的时候，placeholders的值不会被保存：

登录后复制

import tensorflow as tf

#Prepare to feed input, i.e. feed_dict and placeholders
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
feed_dict ={w1:4,w2:8}

#Define a test operation that we will restore
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())

#Create a saver object which will save all the variables
saver = tf.train.Saver()

#Run the operation by feeding input
print sess.run(w4,feed_dict)
#Prints 24 which is sum of (w1+w2)*b1 

#Now, save the graph
saver.save(sess, 'my_test_model',global_step=1000)

现在，当我们想要恢复model的时候， 我们不仅需要恢复graph和weights, 还需准备新的feeddict作为训练数据给到network.我们可以。我们可以使用graph.gettensorbyname()方法 来获取保存的operations和placeholder variables

登录后复制

#How to access saved variable/Tensor/placeholders 
w1 = graph.get_tensor_by_name("w1:0")

## How to access saved operation
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

如果我们只是想使用不通的数据来运行同样的网络，可以简单地通过feed_dict向network输入新数据

登录后复制

import tensorflow as tf

sess=tf.Session()    
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))


# Now, let's access and create placeholders variables and
# create feed-dict to feed new data

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}

#Now, access the op that you want to run. 
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

print sess.run(op_to_restore,feed_dict)
#This will print 60 which is calculated 
#using new values of w1 and w2 and saved value of b1.

如果你想要在graph里添加更多的operations来增加更多的layers然后再训练它，你可以这样做：

登录后复制

import tensorflow as tf

sess=tf.Session()    
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))


# Now, let's access and create placeholders variables and
# create feed-dict to feed new data

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}

#Now, access the op that you want to run. 
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

#Add more to the current graph
add_on_op = tf.multiply(op_to_restore,2)

print sess.run(add_on_op,feed_dict)
#This will print 120.

你也可以只使用之前训练好的网络里的一部分内容。例如这里，我们加载一个vgg pre-trained network 使用meta graph并且在最后一个层改变输出的个数为2来使用新数据进行fine-tuning

登录后复制

......
......
saver = tf.train.import_meta_graph('vgg.meta')
# Access the graph
graph = tf.get_default_graph()
## Prepare the feed_dict for feeding data for fine-tuning 

#Access the appropriate output for fine-tuning
fc7= graph.get_tensor_by_name('fc7:0')

#use this if you only want to change gradients of the last layer
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()

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删