预训练模型参数重载必备！
版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。
本文鏈接：https://blog.csdn.net/ying86615791/article/details/76215363
之前已經寫了一篇《Tensorflow保存模型，恢復模型，使用訓練好的模型進行預測和提取中間輸出（特征）》，里面主要講恢復模型然后使用該模型
假如要保存或者恢復指定tensor，并且把保存的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
?2.保存圖中的部分變量
???
兩種恢復方式：
1.導入graph來恢復
??
...vgg_meta_path = params['vgg_meta_path'] # 后綴是'.ckpt.meta'的文件vgg_graph_weight = params['vgg_graph_weight'] # 后綴是'.ckpt'的文件，里面是各個tensor的值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saverx_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，獲取輸入的placeholderfeat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，獲取要使用的tensor"""以上兩個獲取tensor的方式也可以為:graph = tf.get_default_graph()centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')當然，前提是有tensor的名字"""...init = tf.global_variables_initializer()saver = tf.train.Saver() # 這個是當前新圖的saverconfig = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)...saver_vgg.restore(sess, vgg_graph_weight)#使用導入圖的saver來恢復...
2.重寫一樣的graph，然后恢復指定scope的變量
???
def re_build():#重建保存的那個graphwith tf.variable_scope('vgg_feat_fc'): #沒錯，這個scope要和需要恢復模型中的scope對應...return ......
??? 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
???
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）并訓練(finetuning)（2017.11.9更新）
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 ，并且使optimizer只更新新構造變量（指定層、變量）。
（以下code與上面沒聯系）
?????
"""1.Get input, output , saver and graph"""#從導入圖中獲取需要的東西meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'model_path_restore = model_dir + '/model_'+model_version+'.ckpt'saver_restore = tf.train.import_meta_graph(meta_path_restore) #獲取導入圖的saver，便于后面恢復graph_restore = tf.get_default_graph() #此時默認圖就是導入的圖#從導入圖中獲取需要的tensor#1. 用collection來獲取input_x = tf.get_collection('inputs')[0]input_is_training = tf.get_collection('is_training')[0]output_feat_fused = tf.get_collection('feat_fused')[0]#2. 用tensor的name來獲取input_y = graph_restore.get_tensor_by_name('label_exp:0')print('Get tensors...')print('inputs shape: {}'.format(input_x.get_shape().as_list()))print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))"""2.Build new variable for fine tuning"""#構造新的variables用于后面的finetuninggraph_restore.clear_collection('feat_fused') #刪除以前的集合，假如finetuning后用新的代替原來的graph_restore.clear_collection('prob')#添加新的東西if F_scale is not None and F_scale!=0:print('F_scale is not None, value={}'.format(F_scale))feat_fused = Net_normlize_scale(output_feat_fused, F_scale)tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits""""3.Get acc and loss"""#構造損失with tf.variable_scope('accuracy'):accuracy,prediction = ...with tf.variable_scope('loss'):loss = ..."""4.Build op for fine tuning"""global_step = tf.Variable(0, trainable=False,name='global_step')learning_rate = tf.train.exponential_decay(initial_lr,global_step=global_step,decay_steps=decay_steps,staircase=True,decay_rate=0.1)update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)with tf.control_dependencies(update_ops):var_list = tf.contrib.framework.get_variables('final_logits')#關鍵！獲取指定scope下的變量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"""5.Begin training"""init = tf.global_variables_initializer()saver = tf.train.Saver()config = tf.ConfigProto()config.gpu_options.allow_growth=Truewith tf.Session(config=config) as sess:sess.run(init)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sess.run(train_op, feed_dict).......?
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
————————————————
版權聲明：本文為CSDN博主「美利堅節度使」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/ying86615791/article/details/76215363
總結
以上是生活随笔為你收集整理的预训练模型参数重载必备！的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： latex基础（文字，图，表）
- 下一篇： Tensorflow 模型加载及部分变量