【tensorflow】5.模型加载与保存

本文主要是介绍【tensorflow】5.模型加载与保存_VGG，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文中，首先会介绍模型保存与加载的过程与要点，然后通过一个实例完成VGG模型数据的探索与加载的小demo。
通过本文，可以学到如何用Tensorflow保存和加载模型。

模型保存

模型保存通过tf.train.Saver()对象实现。

def save():"""模型保存:return:"""# 创建两个随机tensorv1 = tf.Variable(tf.random_normal([2,2]),dtype=tf.float32,name='v1')v2 = tf.Variable(tf.random_normal([3,3]),dtype=tf.float32,name='v2')init = tf.global_variables_initializer()# session执行init，然后查看变量值，之后保存with tf.Session() as sess:sess.run(init)print('v1:',v1.eval())print('v2:',v2.eval())# 保存结果saver = tf.train.Saver()# 这里后缀名ckpt，表示checkpoint，这个可以任意save_path = saver.save(sess,'model/test.ckpt')print('model has saved to',save_path)

结果：

v1: [[-1.4035152 -1.0557857]
[-1.152436 1.3953137]]
v2: [[ 1.4133326 -0.6168347 -0.6764847 ]
[ 0.21250968 0.24249057 -0.25113624]
[-0.15002586 1.133885 -1.1900139 ]]
model has saved to model/test.ckpt

模型加载

接下来，我们加载刚才保存的模型，只要变量的值还是上面保存的变量值即证明保存和加载都是有效的。

def restore():"""模型加载:return:"""# 为了验证，这里设置0初始化v1 = tf.Variable(tf.zeros([2, 2]), dtype=tf.float32, name='v1')v2 = tf.Variable(tf.zeros([3, 3]), dtype=tf.float32, name='v2')saver = tf.train.Saver()with tf.Session() as sess:saver.restore(sess, 'model/test.ckpt')print("V1:", v1.eval())print("V2:", v2.eval())print("Model restored")

结果：

V1: [[-1.4035152 -1.0557857]
[-1.152436 1.3953137]]
V2: [[ 1.4133326 -0.6168347 -0.6764847 ]
[ 0.21250968 0.24249057 -0.25113624]
[-0.15002586 1.133885 -1.1900139 ]]
Model restored

对比模型保存中的变量值，可以看到，加载的变量值一样，证明保存与加载是有效的。

加载训练好的VGG模型

现在，我们来进行一个稍微复杂点的demo，加载预训练好的VGG模型参数，然后用它来进行MINIST数据集的分类任务。

模型加载的关键：需要知道模型是如何被保存的，知道存储的格式，才能正确恢复。这一点和字符编码的转换同理。一个模型通常会告诉你它对应的网络结构，模型存储的格式，最佳的是提供一个加载模型的脚本。若没有这些，你可能需要反复试数据，通过shape值判断模型恢复时加载出来的是什么。

推荐一个模型资源网址：http://www.vlfeat.org/matconvnet/models

模型下载地址：imagenage_vgg_19_mat

对应的网络模型结构：网络结构_vgg_19_svg

虽然vgg-19的模型结构是已知的，但是这个mat文件存放模型参数的格式我们是未知的，所以需要多次尝试，通过看类型、看shape等方式获取。这里为了方便，我采用ipython notebook进行mat数据的探索。（更为高效的方式是结合matlab，用matlab查看mat数据）

matlab：load('imagenet-vgg-verydeep-19.mat')，得到工作区有三个变量

其中classes是imageNet中的1000个类的对应标识和描述。这里暂且用不到。
第二个是layers：内部是42个元素，每个元素又是1x2的结构，分别是w权值和b偏置
第三个是normalization，输入图像做标准化的参数，224x224x3 double。之后我们的输入图片也应该根据这个参数做标准化，这个参数是什么意思？训练集的图像的均值。(输入图像是224x224的3通道图像)

接来下，我们用python代码解析这个mat数据，因为我们只知道层级关系，还不知道它们的类型，这个就需要代码尝试了，得到数据类型，维度，然后操作。

1、normalization数据

data = scipy.io.loadmat('imagenet-vgg-verydeep-19.mat')
print(type(data)) 
# <class 'dict'>
print(data.keys()) 
# dict_keys(['__header__', '__version__', '__globals__', 'layers', 'classes', 'normalization'])
print(type(data['normalization']))
# <class 'numpy.ndarray'>
print(data['normalization'].shape)
# (1, 1)
# .. 经过反复查看 type和shape，最终取得数据
print(data['normalization'][0][0][0].shape)
# (224, 224, 3)
normal_data = data['normalization'][0][0][0]
mean_pixel = np.mean(normal_data, axis=(0, 1))
print(mean_pixel)
# [123.68  116.779 103.939] （三个通道上的输入数据的均值）

2、classes数据

d = data['classes']
print(d[0][0][1].shape)    # (1, 1000)
print(type(d[0][0][1]))    # <class 'numpy.ndarray'>
print(d[0][0][1][0][0])    # ['tench, Tinca tinca']
# 通过反复调用上述函数，不断增加维度，结合matlab中预览到的数据内容，得出以下结论。
# d[0][0][1] 是类别的描述信息，即英文类别名
# d[0][0][0] 是类别的标识符。lables = d[0][0][0][0]    # 1000 vector
descriptions = d[0][0][1][0] # 1000 vector

这里需要注意print(type(d[0][0]))，输出竟然是<class 'numpy.void'>，但恰恰就是第三维是labels和description的分界处（之前一直找不到description，只能找到labels）。

3、layers数据

d = data['layers']
print(d[0].shape)   # (43,)
print(type(d))   # <class 'numpy.ndarray'>
# 观察第二维的前几个值（如0、1、2、3），print(d[0][0~1~2~3])，可知第二维就是每层的参数

通过上述分析，可以加载上述数据进行模型的构建。完整的代码如下。（代码来自唐宇迪）

# @Desc    : 加载预训练好的VGG模型参数，进行MINIST数据集分类任务
# 模型路径 ：model/imagenet-vgg-verydeep-19.matimport tensorflow as tf
import numpy as np
import scipy.io
import scipy.misc
import os
import matplotlib.pyplot as plt# ----------加载模型--------------
# 一系列构建网络的辅助函数
def _conv_layer(input, weights, bias):conv = tf.nn.conv2d(input, tf.constant(weights), strides=(1, 1, 1, 1), padding='SAME')return tf.nn.bias_add(conv, bias)def _pool_layer(input):return tf.nn.max_pool(input, ksize=(1, 2, 2, 1), strides=(1, 2, 2, 1), padding='SAME')def preprocess(image, mean_pixel):return image - mean_pixeldef unprocess(image, mean_pixel):return image + mean_pixeldef imread(path):return scipy.misc.imread(path).astype(np.float)def imsave(path, img):img = np.clip(img, 0, 255).astype(np.uint8)scipy.misc.imsave(path, img)def vgg_net(model_path, input):"""加载模型，一次input在网络中的流动:param model_path:vgg模型路径:param input: 数据数据:return:"""# vgg定义好的网络结构，只取了前面的35个step的参数，即提取特征图的部分，后面池化、全连接和softmax没有定义。layers = ('conv1_1', 'relu1_1', 'conv1_2', 'relu1_2', 'pool1','conv2_1', 'relu2_1', 'conv2_2', 'relu2_2', 'pool2','conv3_1', 'relu3_1', 'conv3_2', 'relu3_2', 'conv3_3','relu3_3', 'conv3_4', 'relu3_4', 'pool3','conv4_1', 'relu4_1', 'conv4_2', 'relu4_2', 'conv4_3','relu4_3', 'conv4_4', 'relu4_4', 'pool4','conv5_1', 'relu5_1', 'conv5_2', 'relu5_2', 'conv5_3','relu5_3', 'conv5_4', 'relu5_4')# 加载mat格式的模型参数data = scipy.io.loadmat(model_path)# normalizationmean = data['normalization'][0][0][0]mean_pixel = np.mean(mean, axis=(0, 1))# class labels# lables = data['classes'][0][0][0][0]# names = data['classes'][0][0][1][0]# wights and biasweights = data['layers'][0]# construct netnet = {}current = inputfor i, name in enumerate(layers):kind = name[:4]if kind == 'conv':kernels, bias = weights[i][0][0][0][0]# 参数顺序转换# matconvnet: weights are [width, height, in_channels, out_channels]# tensorflow: weights are [height, width, in_channels, out_channels]kernels = np.transpose(kernels, (1, 0, 2, 3))bias = bias.reshape(-1)current = _conv_layer(current, kernels, bias)elif kind == 'relu':current = tf.nn.relu(current)elif kind == 'pool':current = _pool_layer(current)# 保存该层处理的结果（也就是特征图）net[name] = currentassert len(net) == len(layers)return net, mean_pixel, layersprint('---------- VGG ready --------------')if __name__ == '__main__':image_path = 'data/dog.jpg'vgg_path = 'model/imagenet-vgg-verydeep-19.mat'input_image = imread(image_path)shape = (1, input_image.shape[0], input_image.shape[1], input_image.shape[2])with tf.Session() as sess:image = tf.placeholder('float', shape=shape)nets, mean_pixel, all_layers = vgg_net(vgg_path, image)input_image_pre = np.array([preprocess(input_image, mean_pixel)])layers = ('relu1_1', 'relu2_1', 'relu3_1', 'relu4_1', 'relu5_1', 'relu3_4')for i, layer in enumerate(layers):print("[%d/%d] %s" % (i + 1, len(layers), layer))features = nets[layer].eval(feed_dict={image: input_image_pre})print(" Type of 'features' is ", type(features))print(" Shape of 'features' is %s" % (features.shape,))plt.figure(i + 1, figsize=(10, 5))plt.matshow(features[0, :, :, 0], cmap='gray', fignum=i + 1)plt.title("" + layer)plt.colorbar()plt.show()