本篇文章主要介紹了淺談Tensorflow模型的保存與恢復加載，現在分享給大家，也給大家做個參考。一起過來看看吧
近期做了一些反垃圾的工作，除了使用常用的規則匹配過濾等手段，也採用了一些機器學習方法進行分類預測。我們使用TensorFlow進行模型的訓練，訓練好的模型需要保存，預測階段我們需要將模型進行載入還原使用，這涉及TensorFlow模型的保存與復原載入。
總結一下Tensorflow常用的模型保存方式。
儲存checkpoint模型檔（.ckpt）
#首先，TensorFlow提供了一個非常方便的api，tf.train.Saver()來保存和還原一個機器學習模型。
模型保存
使用tf.train.Saver()來保存模型檔案非常方便，以下是一個簡單的範例：
import tensorflow as tf
import os
def save_model_ckpt(ckpt_file_path):
x = tf.placeholder(tf.int32, name='x')
y = tf.placeholder(tf.int32, name='y')
b = tf.Variable(1, name='b')
xy = tf.multiply(x, y)
op = tf.add(xy, b, name='op_to_store')
sess = tf.Session()
sess.run(tf.global_variables_initializer())
path = os.path.dirname(os.path.abspath(ckpt_file_path))
if os.path.isdir(path) is False:
os.makedirs(path)
tf.train.Saver().save(sess, ckpt_file_path)
# test
feed_dict = {x: 2, y: 3}
print(sess.run(op, feed_dict))程式產生並儲存四個檔案（在版本0.11之前只會產生三個檔案：checkpoint, model.ckpt , model.ckpt.meta）
checkpoint 文字文件，記錄了模型文件的路徑資訊清單
model.ckpt.data-00000 -of-00001 網路權重資訊
model.ckpt.index .data和.index這兩個文件是二進位文件，保存了模型中的變數參數（權重）資訊
model.ckpt.meta 二進位文件，保存了模型的計算圖結構資訊（模型的網路結構）protobuf
以上是tf.train .Saver().save()的基本用法，save()方法還有很多可設定的參數：
tf.train.Saver().save(sess, ckpt_file_path, global_step=1000)
程式碼如下:如果想每兩小時保存一次模型，並且只保存最新的4個模型，可以加上使用max_to_keep（預設值為5，如果想每訓練一個epoch就保存一次，可以將其設定為None或0，但沒啥用不推薦）, keep_checkpoint_every_n_hours參數，如下：tf.train.Saver().save(sess, ckpt_file_path, global_step=1000, write_meta_graph=False)
登入後複製
程式碼如下:tf.train.Saver().save(sess, ckpt_file_path, max_to_keep=4, keep_checkpoint_every_n_hours=2)
登入後複製
同時在tf.train.Saver()類別中，如果我們不指定任何訊息，則會保存所有的參數信息，我們也可以指定部分想要保存的內容，例如只儲存x, y參數（可傳入參數list或dict）：
#
tf.train.Saver([x, y]).save(sess, ckpt_file_path)
##ps.在模型訓練過程中需要在儲存後拿到的變數或參數名稱屬性name不能丟，不然模型還原後不能透過get_tensor_by_name()取得。
模型載入還原
針對上面的模型保存例子，還原模型的過程如下：
import tensorflow as tf
def restore_model_ckpt(ckpt_file_path):
sess = tf.Session()
saver = tf.train.import_meta_graph('./ckpt/model.ckpt.meta') # 加载模型结构
saver.restore(sess, tf.train.latest_checkpoint('./ckpt')) # 只需要指定目录就可以恢复所有变量信息
# 直接获取保存的变量
print(sess.run('b:0'))
# 获取placeholder变量
input_x = sess.graph.get_tensor_by_name('x:0')
input_y = sess.graph.get_tensor_by_name('y:0')
# 获取需要进行计算的operator
op = sess.graph.get_tensor_by_name('op_to_store:0')
# 加入新的操作
add_on_op = tf.multiply(op, 2)
ret = sess.run(add_on_op, {input_x: 5, input_y: 5})
print(ret)首先還原模型結構，然後還原變數（參數）信息，最後我們就可以獲得已訓練的模型中的各種信息了（保存的變量、placeholder變數、operator等），同時可以為取得的變數新增各種新的操作（請參閱以上程式碼註解）。
並且，我們也可以載入部分模型，在此基礎上加入其它操作，具體可以參考官方文件和demo。
針對ckpt模型檔案的保存與還原，stackoverflow上有一個回答解釋比較清晰，可以參考。
儲存單一模型檔（.pb）
我自己有執行過Tensorflow的inception-v3的demo，發現運行結束後會產生一個.pb的模型文件，這個文件是作為後續預測或遷移學習使用的，就一個文件，非常酷炫，也十分方便。
這個過程的主要想法是graph_def檔案中沒有包含網路中的Variable值（通常情況儲存了權重），但卻包含了constant值，所以如果我們能把Variable轉換為constant（使用graph_util.convert_variables_to_constants()函式），即可達到使用一個檔案同時儲存網路架構與權重的目標。
ps：這裡.pb是模型檔案的後綴名，當然我們也可以用其它的後綴（使用.pb與google保持一致╮(╯▽╰)╭）
模型保存
同樣根據上面的例子，一個簡單的demo：
import tensorflow as tf
import os
from tensorflow.python.framework import graph_util
def save_mode_pb(pb_file_path):
x = tf.placeholder(tf.int32, name='x')
y = tf.placeholder(tf.int32, name='y')
b = tf.Variable(1, name='b')
xy = tf.multiply(x, y)
# 这里的输出需要加上name属性
op = tf.add(xy, b, name='op_to_store')
sess = tf.Session()
sess.run(tf.global_variables_initializer())
path = os.path.dirname(os.path.abspath(pb_file_path))
if os.path.isdir(path) is False:
os.makedirs(path)
# convert_variables_to_constants 需要指定output_node_names，list()，可以多个
constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
with tf.gfile.FastGFile(pb_file_path, mode='wb') as f:
f.write(constant_graph.SerializeToString())
# test
feed_dict = {x: 2, y: 3}
print(sess.run(op, feed_dict))程序生成并保存一个文件
model.pb 二进制文件，同时保存了模型网络结构和参数（权重）信息
模型加载还原
针对上面的模型保存例子，还原模型的过程如下：
import tensorflow as tf
from tensorflow.python.platform import gfile
def restore_mode_pb(pb_file_path):
sess = tf.Session()
with gfile.FastGFile(pb_file_path, 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
sess.graph.as_default()
tf.import_graph_def(graph_def, name='')
print(sess.run('b:0'))
input_x = sess.graph.get_tensor_by_name('x:0')
input_y = sess.graph.get_tensor_by_name('y:0')
op = sess.graph.get_tensor_by_name('op_to_store:0')
ret = sess.run(op, {input_x: 5, input_y: 5})
print(ret)模型的还原过程与checkpoint差不多一样。
《将TensorFlow的网络导出为单个文件》上介绍了TensorFlow保存单个模型文件的方式，大同小异，可以看看。
思考
模型的保存与加载只是TensorFlow中最基础的部分之一，虽然简单但是也必不可少，在实际运用中还需要注意模型何时保存，哪些变量需要保存，如何设计加载实现迁移学习等等问题。
同时TensorFlow的函数和类都在一直变化更新，以后也有可能出现更丰富的模型保存和还原的方法。
选择保存为checkpoint或单个pb文件视业务情况而定，没有特别大的差别。checkpoint保存感觉会更加灵活一些，pb文件更适合线上部署吧（个人看法）。
以上完整代码：github https://github.com/liuyan731/tf_demo
相关推荐：
以上是淺談Tensorflow模型的保存與恢復加載的詳細內容。更多資訊請關注PHP中文網其他相關文章！
