tensorflow saver 保存和恢复指定 tensor的实例讲解

2023-09-09 20:41:06 77

在实践中经常会遇到这样的情况：

1、用简单的模型预训练参数

2、把预训练的参数导入复杂的模型后训练复杂的模型

这时就产生一个问题：

如何加载预训练的参数。

下面就是我的总结。

为了方便说明，做一个假设：简单的模型只有一个卷基层，复杂模型有两个。

卷积层的实现代码如下：

importtensorflowastf
#PS：本篇的重担是saver，不过为了方便阅读还是说明下参数
#参数
#name：创建卷基层的代码这么多，必须要函数化，而为了防止变量冲突就需要用tf.name_scope
#input_data：输入数据
#width,high：卷积小窗口的宽、高
#deep_before,deep_after：卷积前后的神经元数量
#stride：卷积小窗口的移动步长
defmake_conv(name,input_data,width,high,deep_before,deep_after,stride,padding_type='SAME'):
globalparameters
withtf.name_scope(name)asscope:
weights=tf.Variable(tf.truncated_normal([width,high,deep_before,deep_after],
dtype=tf.float32,stddev=0.01),trainable=True,name='weights')
biases=tf.Variable(tf.constant(0.1,shape=[deep_after]),trainable=True,name='biases')
conv=tf.nn.conv2d(input_data,weights,[1,stride,stride,1],padding=padding_type)
bias=tf.add(conv,biases)
bias=batch_norm(bias,deep_after,1)#batch_norm是自己写的batchnorm函数
conv=tf.maximum(0.1*bias,bias)
returnconv

简单的预训练模型就下面一句话

conv1=make_conv('simple-conv1',images,3,3,3,32,1)

复杂的模型是两个卷基层，如下：

conv1=make_conv('complex-conv1',images,3,3,3,32,1)
pool1=make_max_pool('layer1-pool1',conv1,2,2)
conv2=make_conv('complex-conv2',pool1,3,3,32,64,1)

这时简简单单的在预训练模型中：

saver=tf.train.Saver()
withtf.Session()assess:
saver.save(sess,'model.ckpt')

就不行了，因为：

1，如果你在预训练模型中使用下面的话打印所有tensor

all_v=tf.global_variables()
foriinall_v:printi

会发现tensor的名字不是weights和biases，而是'simple-conv1/weights和'simple-conv1/biases，如下：

同理，在复杂模型中就是complex-conv1/weights和complex-conv1/biases，这是对不上号的。

2，预训练模型中只有1个卷积层，而复杂模型中有两个，而tensorflow默认会从模型文件('model.ckpt')中找所有的“可训练的”tensor，找不到会报错。

解决方法：

1，在预训练模型中定义全局变量

parm_dict={}

并在“returnconv”上面添加下面两行

parm_dict['complex-conv1/weights']=weights
parm_dict['complex-conv1/']=biases

然后在定义saver时使用下面这句话：

saver=tf.train.Saver(parm_dict)

这样保存后的模型文件就对应到复杂模型上了。

2，在复杂模型中定义全局变量

parameters=[]

并在“returnconv”上面添加下面行

parameters+=[weights,biases]

然后判断如果是第二个卷积层就不更新parameters。

接着在定义saver时使用下面这句话：

saver=tf.train.Saver(parameters)

这样就可以告诉saver，只需要从模型文件中找weights和biases，而那些什么complex-conv1/Variable~complex-conv1/Variable_3统统滚一边去(上面红色部分)。

最后使用下面的代码加载就可以了

withtf.Session()assess:
ckpt=tf.train.get_checkpoint_state('.')
ifckptandckpt.model_checkpoint_path:
saver.restore(sess,ckpt.model_checkpoint_path)
else:
print'nosaver.'
exit()

以上这篇tensorflowsaver保存和恢复指定tensor的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。

tensorflow saver 保存和恢复指定 tensor的实例讲解

热门推荐

随机推荐