Tensorflow加載預訓練模型和保存模型（ckpt文件）以及遷移學習finetuning

轉載自：https://blog.csdn.net/huachao1001/article/details/78501928

使用tensorflow過程中，訓練結束后我們需要用到模型文件。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數據。

1 Tensorflow模型文件

我們在checkpoint_dir目錄下保存的文件結構如下：

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

 

1.1 meta文件

MyModel.meta文件保存的是圖結構，meta文件是pb（protocol buffer）格式文件，包含變量、op、集合等。

1.2 ckpt文件

ckpt文件是二進制文件，保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通過兩個文件保存,如：

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

 

1.3 checkpoint文件

我們還可以看，checkpoint_dir目錄下還有checkpoint文件，該文件是個文本文件，里面記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時，可以通過修改這個文件，指定使用哪個model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver類來保存模型，值得注意的是，在tensorflow中，變量是存在於Session環境中，也就是說，只有在Session環境下才會存有變量值，因此，保存模型時需要傳入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')

 

執行后，在checkpoint_dir目錄下創建模型文件如下：

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

 

另外，如果想要在1000次迭代后，再保存模型，只需設置global_step參數即可

保存的模型文件名稱會在后面加-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次迭代中保存一次模型數據，但是由於圖是不變的，沒必要每次都去保存，可以通過如下方式指定不保存圖：

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小時保存一次模型，並且只保存最近的5個模型文件：

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

注意：tensorflow默認只會保存最近的5個模型文件，如果你希望保存更多，可以通過max_to_keep來指定

如果我們不對tf.train.Saver指定任何參數，默認會保存所有變量。如果你不想保存所有變量，而只保存一部分變量，可以通過指定variables/collections。在創建tf.train.Saver實例時，通過將需要保存的變量構造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 導入訓練好的模型

在第1小節中我們介紹過，tensorflow將圖和變量數據分開保存為不同的文件。因此，在導入模型時，也要分為2步：構造網絡圖和加載參數

3.1 構造網絡圖

一個比較笨的方法是，手敲代碼，實現跟模型一模一樣的圖結構。其實，我們既然已經保存了圖，那就沒必要在去手寫一次圖結構代碼。

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

上面一行代碼，就把圖加載進來了

3.2 加載參數

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參數（即weights、biases等），本文第2節提到過，變量值需要依賴於Session，因此在加載參數時，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加載進了圖，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

執行后，打印如下：

[ 0.51480412 -0.56989086]


或者：

import tensorflow as tf
import numpy as np
 
with tf.Session() as sess:
    # restore graph
    saver = tf.train.import_meta_graph('my_net/save_net.ckpt.meta')
    
    #restore ckpt
    saver.restore(sess, "my_net/save_net.ckpt")
 
    # check variable W and b, like weight or bias
    print("weights:", sess.run('weights:0'))
    print("biases:", sess.run('biases:0'))

 

4 使用恢復的模型

前面我們理解了如何保存和恢復模型，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絡模型，代碼如下：

    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，用於后面恢復
    w3 = tf.add(w1,w2)
    w4 = tf.multiply(w3,b1,name="op_to_restore")
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
     
    #創建一個Saver對象，用於保存所有變量
    saver = tf.train.Saver()
     
    #通過傳入數據，執行op
    print(sess.run(w4,feed_dict ={w1:4,w2:8}))
    #打印 24.0 ==>(w1+w2)*b1
     
    #現在保存模型
    saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

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

    import tensorflow as tf
     
    sess=tf.Session()
    #先加載圖和參數變量
    saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
     
     
    # 訪問placeholders變量，並且創建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))
    #打印結果為60.0==>(13+17)*2

 

注意：保存模型時，只會保存變量的值，placeholder里面的值不會被保存

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()
    # 先加載圖和變量
    saver = tf.train.import_meta_graph('my_test_model-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./'))
     
    # 訪問placeholders變量，並且創建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))
    # 打印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網絡使用圖，並且修改最后一層，將輸出改為2，用於fine-tuning新數據：

1. ......
2. ......
3. saver = tf.train.import_meta_graph( 'vgg.meta')
4. # 訪問圖
5. graph = tf.get_default_graph()
6.  
7. #訪問用於fine-tuning的output
8. fc7= graph.get_tensor_by_name( 'fc7:0')
9.  
10. #如果你想修改最后一層梯度，需要如下
11. fc7 = tf.stop_gradient(fc7) # It's an identity function
12. fc7_shape= fc7.get_shape().as_list()
13.  
14. new_outputs= 2
15. weights = tf.Variable(tf.truncated_normal([fc7_shape[ 3], num_outputs], stddev=0.05))
16. biases = tf.Variable(tf.constant( 0.05, shape=[num_outputs]))
17. output = tf.matmul(fc7, weights) + biases
18. pred = tf.nn.softmax(output)
19.  
20. # Now, you run this with fine-tuning data in sess.run()

• 五、查看模型的所有層的輸入輸出的tensor name

1. import os
2. import re
3. import tensorflow as tf
4. from tensorflow.python import pywrap_tensorflow
5. model_exp = "20180402-114759"
6.  
7. def get_model_filenames(model_dir):
8. files = os.listdir(model_dir)
9. meta_files = [s for s in files if s.endswith('.meta')]
10. if len(meta_files)==0:
11. raise load_modelValueError('No meta file found in the model directory (%s)' % model_dir)
12. elif len(meta_files)>1:
13. raise ValueError('There should not be more than one meta file in the model directory (%s)' % model_dir)
14. meta_file = meta_files[ 0]
15. ckpt = tf.train.get_checkpoint_state(model_dir) # 通過checkpoint文件找到模型文件名
16. if ckpt and ckpt.model_checkpoint_path:
17. # ckpt.model_checkpoint_path表示模型存儲的位置，不需要提供模型的名字，它回去查看checkpoint文件
18. ckpt_file = os.path.basename(ckpt.model_checkpoint_path)
19. return meta_file, ckpt_file
20.  
21. meta_files = [s for s in files if '.ckpt' in s]
22. max_step = -1
23. for f in files:
24. step_str = re.match( r'(^model-[\w\- ]+.ckpt-(\d+))', f)
25. if step_str is not None and len(step_str.groups())>=2:
26. step = int(step_str.groups()[ 1])
27. if step > max_step:
28. max_step = step
29. ckpt_file = step_str.groups()[ 0]
30. return meta_file, ckpt_file
31.  
32.  
33. meta_file, ckpt_file = get_model_filenames(model_exp)
34.  
35. print( 'Metagraph file: %s' % meta_file)
36. print( 'Checkpoint file: %s' % ckpt_file)
37. reader = pywrap_tensorflow.NewCheckpointReader(os.path.join(model_exp, ckpt_file))
38. var_to_shape_map = reader.get_variable_to_shape_map()
39. for key in var_to_shape_map:
40. print( "tensor_name: ", key)
41. # print(reader.get_tensor(key))
42.  
43. with tf.Session() as sess:
44. saver = tf.train.import_meta_graph(os.path.join(model_exp, meta_file))
45. saver.restore(tf.get_default_session(),
46. os.path.join(model_exp, ckpt_file))
47. print(tf.get_default_graph().get_tensor_by_name( "Logits/weights:0"))

六、tensorflow從已經訓練好的模型中，恢復指定權重(構建新變量、網絡)並繼續訓練(finetuning)

該部分轉載自：https://blog.csdn.net/ying86615791/article/details/76215363

假如要保存或者恢復指定tensor，並且把保存的graph恢復(插入)到當前的graph中呢？

總的來說，目前我會的是兩種方法，命名都是很關鍵！
兩種方式保存模型，
1.保存所有tensor，即整張圖的所有變量，
2.只保存指定scope的變量
兩種方式恢復模型，
1.導入模型的graph，用該graph的saver來restore變量
2.在新的代碼段中寫好同樣的模型（變量名稱及scope的name要對應），用默認的graph的saver來restore指定scope的變量

兩種保存方式：
1.保存整張圖，所有變量

1. ...
2. init = tf.global_variables_initializer()
3. saver = tf.train.Saver()
4. config = tf.ConfigProto()
5. config.gpu_options.allow_growth= True
6. with tf.Session(config=config) as sess:
7. sess.run(init)
8. ...
9. writer.add_graph(sess.graph)
10. ...
11. saved_path = saver.save(sess,saver_path)
12. ...

2.保存圖中的部分變量

1. ...
2. init = tf.global_variables_initializer()
3. vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope= 'vgg_feat_fc')#獲取指定scope的tensor
4. saver = tf.train.Saver(vgg_ref_vars) #初始化saver時，傳入一個var_list的參數
5. config = tf.ConfigProto()
6. config.gpu_options.allow_growth= True
7. with tf.Session(config=config) as sess:
8. sess.run(init)
9. ...
10. writer.add_graph(sess.graph)
11. ...
12. saved_path = saver.save(sess,saver_path)
13. ...

兩種恢復方式：
1.導入graph來恢復

1. ...
2. vgg_meta_path = params[ 'vgg_meta_path'] # 后綴是'.ckpt.meta'的文件
3. vgg_graph_weight = params[ 'vgg_graph_weight'] # 后綴是'.ckpt'的文件，里面是各個tensor的值
4. saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 導入graph到當前的默認graph中，返回導入graph的saver
5. x_vgg_feat = tf.get_collection( 'inputs_vgg')[0] #placeholder, [None, 4096]，獲取輸入的placeholder
6. feat_decode = tf.get_collection( 'feat_encode')[0] #[None, 1024]，獲取要使用的tensor
7. """
8. 以上兩個獲取tensor的方式也可以為:
9. graph = tf.get_default_graph()
10. centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
11. 當然，前提是有tensor的名字
12. """
13. ...
14. init = tf.global_variables_initializer()
15. saver = tf.train.Saver() # 這個是當前新圖的saver
16. config = tf.ConfigProto()
17. config.gpu_options.allow_growth= True
18. with tf.Session(config=config) as sess:
19. sess.run(init)
20. ...
21. saver_vgg.restore(sess, vgg_graph_weight) #使用導入圖的saver來恢復
22. ...

2.重寫一樣的graph，然后恢復指定scope的變量

1. def re_build():#重建保存的那個graph
2. with tf.variable_scope('vgg_feat_fc'): #沒錯，這個scope要和需要恢復模型中的scope對應
3. ...
4. return ...
5.  
6. ...
7. vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope= 'vgg_feat_fc') # 既然有這個scope，其實第1個方法中，導入graph后，可以不用返回的vgg_saver，再新建一個指定var_list的vgg_saver就好了，恩，需要傳入一個var_list的參數
8. ...
9. init = tf.global_variables_initializer()
10. saver_vgg = tf.train.Saver(vgg_ref_vars) # 這個是要恢復部分的saver
11. saver = tf.train.Saver() # 這個是當前新圖的saver
12. config = tf.ConfigProto()
13. config.gpu_options.allow_growth= True
14. with tf.Session(config=config) as sess:
15. sess.run(init)
16. ...
17. saver_vgg.restore(sess, vgg_graph_weight) #使用導入圖的saver來恢復
18. ...

總結一下，這里的要點就是，在restore的時候，saver要和模型對應，如果直接用當前graph的saver = tf.train.Saver(),來恢復保存模型的權重saver.restore(vgg_graph_weight),就會報錯，提示key/tensor ... not found之類的錯誤;
寫graph的時候，一定要注意寫好scope和tensor的name，合理插入variable_scope; 

最方便的方式還是，用第1種方式來保存模型，這樣就不用重寫代碼段了，然后第1種方式恢復，不過為了穩妥，最好還是通過獲取var_list，指定saver的var_list，妥妥的！

最新發現，用第1種方式恢復時，要記得當前的graph和保存的模型中沒有重名的tensor，否則當前graph的tensor name可能不是那個name，可能在后面加了"_1"....-_-||

在恢復圖基礎上構建新的網絡（變量）並訓練(finetuning)

恢復模型graph和weights在上面已經說了，這里的關鍵點是怎樣只恢復原圖的權重 ，並且使optimizer只更新新構造變量（指定層、變量）。

（以下code與上面沒聯系）

1. """1.Get input, output , saver and graph"""#從導入圖中獲取需要的東西
2. meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
3. model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
4. saver_restore = tf.train.import_meta_graph(meta_path_restore) #獲取導入圖的saver，便於后面恢復
5. graph_restore = tf.get_default_graph() #此時默認圖就是導入的圖
6. #從導入圖中獲取需要的tensor
7. #1. 用collection來獲取
8. input_x = tf.get_collection( 'inputs')[0]
9. input_is_training = tf.get_collection( 'is_training')[0]
10. output_feat_fused = tf.get_collection( 'feat_fused')[0]
11. #2. 用tensor的name來獲取
12. input_y = graph_restore.get_tensor_by_name( 'label_exp:0')
13. print( 'Get tensors...')
14. print( 'inputs shape: {}'.format(input_x.get_shape().as_list()))
15. print( 'input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
16. print( 'output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))
17.  
18.  
19. """2.Build new variable for fine tuning"""#構造新的variables用於后面的finetuning
20. graph_restore.clear_collection( 'feat_fused') #刪除以前的集合，假如finetuning后用新的代替原來的
21. graph_restore.clear_collection( 'prob')
22. #添加新的東西
23. if F_scale is not None and F_scale!=0:
24. print( 'F_scale is not None, value={}'.format(F_scale))
25. feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
26. tf.add_to_collection( 'feat_fused',feat_fused)#重新添加到新集合
27. logits_fused = last_logits(feat_fused,input_is_training, 7) # scope name是"final_logits"
28.  
29.  
30. """3.Get acc and loss"""#構造損失
31. with tf.variable_scope('accuracy'):
32. accuracy,prediction = ...
33. with tf.variable_scope('loss'):
34. loss = ...
35.  
36. """4.Build op for fine tuning"""
37. global_step = tf.Variable( 0, trainable=False,name='global_step')
38. learning_rate = tf.train.exponential_decay(initial_lr,
39. global_step=global_step,
40. decay_steps=decay_steps,
41. staircase= True,
42. decay_rate= 0.1)
43. update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
44. with tf.control_dependencies(update_ops):
45. var_list = tf.contrib.framework.get_variables( 'final_logits')#關鍵！獲取指定scope下的變量
46. train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum= 0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
47. """5.Begin training"""
48. init = tf.global_variables_initializer()
49. saver = tf.train.Saver()
50. config = tf.ConfigProto()
51. config.gpu_options.allow_growth= True
52. with tf.Session(config=config) as sess:
53. sess.run(init)
54. saver_restore.restore(sess, model_path_restore) #這里saver_restore對應導入圖的saver， 如果用上面新的saver的話會報錯 因為多出了一些新的變量 在保存的模型中是沒有那些權值的
55. sess.run(train_op, feed_dict)
56. .......

再說明下兩個關鍵點：

1. 如何在新圖的基礎上 只恢復 導入圖的權重 ？

用導入圖的saver: saver_restore

2. 如何只更新指定參數？

用var_list = tf.contrib.framework.get_variables(scope_name)獲取指定scope_name下的變量，

然后optimizer.minimize()時傳入指定var_list

附：如何知道tensor名字以及獲取指定變量？

1.獲取某個操作之后的輸出

用graph.get_operations()獲取所有op

比如<tf.Operation 'common_conv_xxx_net/common_conv_net/flatten/Reshape' type=Reshape>,

那么output_pool_flatten = graph_restore.get_tensor_by_name('common_conv_xxx_net/common_conv_net/flatten/Reshape:0')就是那個位置經過flatten后的輸出了

2.獲取指定的var的值

用GraphKeys獲取變量

tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的變量

比如 <tf.Variable 'common_conv_xxx_net/final_logits/logits/biases:0' shape=(7,) dtype=float32_ref>

那么var_logits_biases = graph_restore.get_tensor_by_name('common_conv_xxx_net/final_logits/logits/biases:0')就是那個位置的biases了

3.獲取指定scope的collection

tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES,scope='common_conv_xxx_net.final_logits')

注意后面的scope是xxx.xxx不是xxx/xxx