本文主要是介绍tensorflow从已经训练好的模型中，恢复(指定)权重(构建新变量、网络)并继续训练(finetuning)，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！
之前已经写了一篇《Tensorflow保存模型，恢复模型，使用训练好的模型进行预测和提取中间输出（特征）》，里面主要讲恢复模型然后使用该模型
假如要保存或者恢复指定tensor，并且把保存的graph恢复(插入)到当前的graph中呢？
总的来说，目前我会的是两种方法，命名都是很关键！
两种方式保存模型，
1.保存所有tensor，即整张图的所有变量，
2.只保存指定scope的变量
两种方式恢复模型，
1.导入模型的graph，用该graph的saver来restore变量
2.在新的代码段中写好同样的模型（变量名称及scope的name要对应），用默认的graph的saver来restore指定scope的变量
两种保存方式：
1.保存整张图，所有变量
-
... -
init = tf.global_variables_initializer() -
saver = tf.train.Saver() -
config = tf.ConfigProto() -
config.gpu_options.allow_growth=True -
with tf.Session(config=config) as sess: -
sess.run(init) -
... -
writer.add_graph(sess.graph) -
... -
saved_path = saver.save(sess,saver_path) -
...
2.保存图中的部分变量
-
... -
init = tf.global_variables_initializer() -
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensor -
saver = tf.train.Saver(vgg_ref_vars)#初始化saver时，传入一个var_list的参数 -
config = tf.ConfigProto() -
config.gpu_options.allow_growth=True -
with tf.Session(config=config) as sess: -
sess.run(init) -
... -
writer.add_graph(sess.graph) -
... -
saved_path = saver.save(sess,saver_path) -
...
两种恢复方式：
1.导入graph来恢复
-
... -
vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件 -
vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件，里面是各个tensor的值 -
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中，返回导入graph的saver -
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholder -
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，获取要使用的tensor -
""" -
以上两个获取tensor的方式也可以为: -
graph = tf.get_default_graph() -
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0') -
当然，前提是有tensor的名字 -
""" -
... -
init = tf.global_variables_initializer() -
saver = tf.train.Saver() # 这个是当前新图的saver -
config = tf.ConfigProto() -
config.gpu_options.allow_growth=True -
with tf.Session(config=config) as sess: -
sess.run(init) -
... -
saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复 -
...
2.重写一样的graph，然后恢复指定scope的变量
-
def re_build():#重建保存的那个graph -
with tf.variable_scope('vgg_feat_fc'): #没错，这个scope要和需要恢复模型中的scope对应 -
... -
return ... -
... -
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope，其实第1个方法中，导入graph后，可以不用返回的vgg_saver，再新建一个指定var_list的vgg_saver就好了，恩，需要传入一个var_list的参数 -
... -
init = tf.global_variables_initializer() -
saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saver -
saver = tf.train.Saver() # 这个是当前新图的saver -
config = tf.ConfigProto() -
config.gpu_options.allow_growth=True -
with tf.Session(config=config) as sess: -
sess.run(init) -
... -
saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复 -
...
总结一下，这里的要点就是，在restore的时候，saver要和模型对应，如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错，提示key/tensor ... not found之类的错误;
写graph的时候，一定要注意写好scope和tensor的name，合理插入variable_scope;
最方便的方式还是，用第1种方式来保存模型，这样就不用重写代码段了，然后第1种方式恢复，不过为了稳妥，最好还是通过获取var_list，指定saver的var_list，妥妥的！
最新发现，用第1种方式恢复时，要记得当前的graph和保存的模型中没有重名的tensor，否则当前graph的tensor name可能不是那个name，可能在后面加了"_1"....-_-||
在恢复图基础上构建新的网络（变量）并训练(finetuning)（2017.11.9更新）
恢复模型graph和weights在上面已经说了，这里的关键点是怎样只恢复原图的权重 ，并且使optimizer只更新新构造变量（指定层、变量）。
（以下code与上面没联系）
-
"""1.Get input, output , saver and graph"""#从导入图中获取需要的东西 -
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) #获取导入图的saver，便于后面恢复 -
graph_restore = tf.get_default_graph() #此时默认图就是导入的图 -
#从导入图中获取需要的tensor -
#1. 用collection来获取 -
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来获取 -
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"""#构造新的variables用于后面的finetuning -
graph_restore.clear_collection('feat_fused') #删除以前的集合，假如finetuning后用新的代替原来的 -
graph_restore.clear_collection('prob') -
#添加新的东西 -
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"""#构造损失 -
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')#关键！获取指定scope下的变量 -
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=True -
with tf.Session(config=config) as sess: -
sess.run(init) -
saver_restore.restore(sess, model_path_restore) #这里saver_restore对应导入图的saver， 如果用上面新的saver的话会报错 因为多出了一些新的变量 在保存的模型中是没有那些权值的 -
sess.run(train_op, feed_dict) -
.......
再说明下两个关键点：
1. 如何在新图的基础上 只恢复 导入图的权重 ？
用导入图的saver: saver_restore
2. 如何只更新指定参数？
用var_list = tf.contrib.framework.get_variables(scope_name)获取指定scope_name下的变量，
然后optimizer.minimize()时传入指定var_list
附：如何知道tensor名字以及获取指定变量？
1.获取某个操作之后的输出
用graph.get_operations()获取所有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')就是那个位置经过flatten后的输出了
2.获取指定的var的值
用GraphKeys获取变量
tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的变量
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')就是那个位置的biases了
3.获取指定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
这篇关于tensorflow从已经训练好的模型中，恢复(指定)权重(构建新变量、网络)并继续训练(finetuning)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
