1、Tensorflow 之 saver与checkpoint

1、Tensorflow 模型文件

• checkpoint
• model.ckpt-200.data-00000-of-00001
• model.ckpt-200.index
• model.ckpt-200.meta

1.1 meta文件

model.ckpt-200.meta文件保存的是图结构，通俗地讲就是神经网络的网络结构。一般而言网络结构是不会发生改变，所以可以只保存一个就行了。我们可以使用下面的代码只在第一次保存meta文件。

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

并且还可以使用tf.train.import_meta_graph(‘model.ckpt-200.meta’)能够导入图结构。

1.2 data文件

model.ckpt-200.data-00000-of-00001为数据文件，保存的是网络的权值，偏置，操作等等。

1.3 index文件

model.ckpt-200.index是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等等。

注意: 以前的版本中tensorflow的model只保存一个文件中。

2 保存和恢复Tensorflow模型

2.1 保存模型

tf.train.Saver 类别提供了保存和恢复模型的方法。tf.train.Saver 构造函数针对图中所有变量或指定列表的变量将 save 和 restore op 添加到图中。Saver 对象提供了运行这些 op 的方法，指定了写入或读取检查点文件的路径。

一般而言，如果不指定任何参数，tf.train.Saver会保存所有的参数。下面是一个简单的例子：

# Create some variables.
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
v2 = tf.get_variable("v2", shape=[5], initializer = tf.zeros_initializer)

inc_v1 = v1.assign(v1+1)
dec_v2 = v2.assign(v2-1)

# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, and save the
# variables to disk.
with tf.Session() as sess:
  sess.run(init_op)

  # Do some work with the model.
  inc_v1.op.run()
  dec_v2.op.run()

  # Save the variables to disk.
  save_path = saver.save(sess, "/tmp/model.ckpt")
  print("Model saved in path: %s" % save_path)

View Code

最后会将v1和v2以及op都保存下来。但是如果你只想保存v1和v2，你可以这样写。

tf.train.Saver(V1.values()+V2.values())

2.2 加载模型

模型加载需要利用Saver.restore方法。可以加载固定参数，也可以加在所有参数。

saver.restore(sess,model_path)

2.3 加载模型限制

pre-trained 模型常用来做迁移学习，但是却存在一个限制，那就是网络的前一层必须是一致的，以vgg16为例，如果你利用前面几层提取特征，前面几层的网络必须得和vgg保持一致。而后面的网络参数是随机初始化的。

参考文献

[1] https://blog.csdn.net/gzj_1101/article/details/80299610

标签：saver,ckpt,checkpoint,v1,v2,tf,Tensorflow,model,op
来源： https://www.cnblogs.com/ai-learning-blogs/p/11530553.html