翻譯自：http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
在這篇tensorflow教程中，我會解釋：
1） Tensorflow的模型（model）長什么樣子？
2） 如何保存tensorflow的模型？
3） 如何恢復一個tensorflow模型來用於預測或者遷移學習？
4） 如何使用預訓練好的模型（imported pretrained models）來用於fine-tuning和 modification
1. Tensorflow模型是什么？
當你已經訓練好一個神經網絡之后，你想要保存它，用於以后的使用，部署到產品里面去。所以，Tensorflow模型是什么？Tensorflow模型主要包含網絡的設計或者圖（graph），和我們已經訓練好的網絡參數的值。因此Tensorflow模型有兩個主要的文件：
A） Meta graph:
這是一個保存完整Tensorflow graph的protocol buffer，比如說，所有的 variables, operations, collections等等。這個文件的后綴是 .meta 。
B） Checkpoint file:
這是一個包含所有權重（weights），偏置（biases），梯度（gradients）和所有其他保存的變量（variables）的二進制文件。它包含兩個文件：
mymodel.data-00000-of-00001
mymodel.index
其中，.data文件包含了我們的訓練變量。
另外，除了這兩個文件，Tensorflow有一個叫做checkpoint的文件，記錄着已經最新的保存的模型文件。
注：Tensorflow 0.11版本以前，Checkpoint file只有一個后綴名為.ckpt的文件。
因此，總結來說，Tensorflow（版本0.10以后）模型長這個樣子：
Tensorflow版本0.11以前，只包含以下三個文件：
inception_v1.meta
inception_v1.ckpt
checkpoint
接下來說明如何保存模型。
2. 保存一個Tensorflow模型
當網絡訓練結束時，我們要保存所有變量和網絡結構體到文件中。在Tensorflow中，我們可以創建一個tf.train.Saver() 類的實例，如下：
saver = tf.train.Saver()
由於Tensorflow變量僅僅只在session中存在，因此需要調用save方法來將模型保存在一個session中。
saver.save(sess, 'my-test-model')
在這里，sess是一個session對象，其中my-test-model是你給模型起的名字。下面是一個完整的例子：
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, '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
如果我們想在訓練1000次迭代之后保存模型，可以使用如下方法保存
saver.save(sess, 'my_test_model',global_step=1000)
這個將會在模型名字的后面追加上‘-1000’，下面的文件將會被創建：
my_test_model-1000.index
my_test_model-1000.meta
my_test_model-1000.data-00000-of-00001
checkpoint
由於網絡的圖（graph）在訓練的時候是不會改變的，因此，我們沒有必要每次都重復保存.meta文件，可以使用如下方法：
saver.save(sess, 'my-model',global_step=step,write_meta_graph=False)
如果你只想要保存最新的4個模型，並且想要在訓練的時候每2個小時保存一個模型，那么你可以使用max_to_keep 和 keep_checkpoint_every_n_hours，如下所示：
#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)
注意到，我們在tf.train.Saver()中並沒有指定任何東西，因此它將保存所有變量。如果我們不想保存所有的變量，只想保存其中一些變量，我們可以在創建tf.train.Saver實例的時候，給它傳遞一個我們想要保存的變量的list或者字典。示例如下：
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)
3. 導入一個已經訓練好的模型
如果你想要使用別人已經訓練好的模型來fine-tuning，那么你需要做兩個步驟：
A）創建網絡Create the network:
你可以通過寫python代碼，來手動地創建每一個、每一層，使得跟原始網絡一樣。
但是，如果你仔細想的話，我們已經將模型保存在了 .meta 文件中，因此我們可以使用tf.train.import()函數來重新創建網絡，使用方法如下：
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
注意，這僅僅是將已經定義的網絡導入到當前的graph中，但是我們還是需要加載網絡的參數值。
B）加載參數Load the parameters
我們可以通過調用restore函數來恢復網絡的參數，如下：
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('./'))
在這之后，像w1和w2的tensor的值已經被恢復，並且可以獲取到：
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.
上面介紹了如何保存和恢復一個Tensorflow模型。下面介紹一個加載任何預訓練模型的實用方法。
4. Working with restored models
下面介紹如何恢復任何一個預訓練好的模型，並使用它來預測，fine-tuning或者進一步訓練。當你使用Tensorflow時，你會定義一個圖（graph），其中，你會給這個圖喂（feed）訓練數據和一些超參數（比如說learning rate，global step等）。下面我們使用placeholder建立一個小的網絡，然后保存該網絡。注意到，當網絡被保存時，placeholder的值並不會被保存。
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)
現在，我們想要恢復這個網絡，我們不僅需要恢復圖（graph）和權重，而且也需要准備一個新的feed_dict，將新的訓練數據喂給網絡。我們可以通過使用graph.get_tensor_by_name()方法來獲得已經保存的操作（operations）和placeholder variables。
#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")
如果我們僅僅想要用不同的數據運行這個網絡，可以簡單的使用feed_dict來將新的數據傳遞給網絡。
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.
如果你想要給graph增加更多的操作（operations）然后訓練它，可以像如下那么做：
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.
但是，你可以只恢復舊的graph的一部分，然后插入一些操作用於fine-tuning？當然可以。僅僅需要通過 by graph.get_tensor_by_name() 方法來獲取合適的operation，然后在這上面建立graph。下面是一個實際的例子，我們使用meta graph 加載了一個預訓練好的vgg模型，並且在最后一層將輸出個數改成2，然后用新的數據fine-tuning。
...... ...... 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()