TensorFlow模型保存和加载方法

`模型保存`

import tensorflow as tf
w1 = tf.Variable(tf.constant(2.0, shape=[1]), name="w1-name")
w2 = tf.Variable(tf.constant(3.0, shape=[1]), name="w2-name")
a = tf.placeholder(dtype=tf.float32, name="a-name")
b = tf.placeholder(dtype=tf.float32, name="b-name")
y = a * w1 + b * w2
init = tf.global_variables_initializer()
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init)
    print(a)  # Tensor("a-name:0", dtype=float32)
    print(b)  # Tensor("b-name:0", dtype=float32)
    print(y)  # Tensor("add:0", dtype=float32)
    print(sess.run(y, feed_dict={a: 10, b: 10}))
    saver.save(sess, "./model/model.ckpt")

这段代码中，通过saver.save函数将TensorFlow模型保存到了model/model.ckpt文件中，这里代码中指定路径为"model/model.ckpt"，也就是保存到了当前程序所在文件夹里面的model文件夹中。

TensorFlow模型会保存在后缀为.ckpt的文件中。保存后在save这个文件夹中实际会出现3个文件，因为TensorFlow会将计算图的结构和图上参数取值分开保存。

model.ckpt.meta文件保存了TensorFlow计算图的结构，可以理解为神经网络的网络结构
model.ckpt文件保存了TensorFlow程序中每一个变量的取值
checkpoint文件保存了一个目录下所有的模型文件列表

`模型加载:只加载变量，但是还是需要重新定义图结构`

import tensorflow as tf
# 使用和保存模型代码中一样的方式来声明变量
# 变量rw1, rw2 不需要进行初始化
rw1 = tf.Variable(tf.constant(2.0, shape=[1]), name="w1-name")
rw2 = tf.Variable(tf.constant(3.0, shape=[1]), name="w2-name")
# 重新定义图结构
result = 10 * rw1 + 10 * rw2
saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "./model/model.ckpt")
    print(sess.run(result))

`tf.train.Saver类也支持在保存和加载时给变量重命名`

import tensorflow as tf
# 声明的变量名称name与已保存的模型中的变量名称name不一致
rw1 = tf.Variable(tf.constant(2.0, shape=[1]), name="rw1-name")
rw2 = tf.Variable(tf.constant(3.0, shape=[1]), name="rw2-name")
# 重新定义图结构
result = 10 * rw1 + 10 * rw2
# 若直接生命Saver类对象，会报错变量找不到
# 使用一个字典dict重命名变量即可，{"已保存的变量的名称name": 重命名变量名}
# 原来名称name为 w1-name 的变量现在加载到变量 rw1（名称name为 rw1-name）中
saver = tf.train.Saver({"w1-name": rw1, "w2-name": rw2})
with tf.Session() as sess:
    saver.restore(sess, "./model/model.ckpt")
    print(sess.run(result))

`模型加载: 不需要重新定义图结构`

import tensorflow as tf
saver = tf.train.import_meta_graph("./model/model.ckpt.meta")
graph = tf.get_default_graph()
# 通过 Tensor 名获取变量
a = graph.get_tensor_by_name("a-name:0")
b = graph.get_tensor_by_name("b-name:0")
y = graph.get_tensor_by_name("add:0")
with tf.Session() as sess:
    saver.restore(sess, "./model/model.ckpt")
    print(sess.run(y, feed_dict={a: 10, b: 10}))

`convert_variables_to_constants`

# 通过convert_variables_to_constants函数将计算图中的变量及其取值通过常量的方式保存于一个文件中
import tensorflow as tf
from tensorflow.python.framework import graph_util
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1")
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name="v2")
result = v1 + v2
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 导出当前计算图的GraphDef部分，即从输入层到输出层的计算过程部分
    graph_def = tf.get_default_graph().as_graph_def()
    output_graph_def = graph_util.convert_variables_to_constants(sess, graph_def, ['add'])
with tf.gfile.GFile("Model/combined_model.pb", 'wb') as f:
    f.write(output_graph_def.SerializeToString())
# 载入包含变量及其取值的模型
import tensorflow as tf
from tensorflow.python.platform import gfile
with tf.Session() as sess:
    model_filename = "Model/combined_model.pb"
    with gfile.FastGFile(model_filename, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
    result = tf.import_graph_def(graph_def, return_elements=["add:0"])
    print(sess.run(result)) # [array([ 3.], dtype=float32)]

TensorFlow 模型保存/载入的两种方法

我们在上线使用一个算法模型的时候，首先必须将已经训练好的模型保存下来。tensorflow保存模型的方式与sklearn不太一样，sklearn很直接，一个sklearn.externals.joblib的dump与load方法就可以保存与载入使用。而tensorflow由于有graph,operation 这些概念，保存与载入模型稍显麻烦。

一、基本方法

网上搜索tensorflow模型保存，搜到的大多是基本的方法。即

保存

定义变量
使用saver.save()方法保存

载入

定义变量
使用saver.restore()方法载入

如保存代码如下

import tensorflow as tf
import numpy as np  
W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w')
b = tf.Variable([[0,1,2]],dtype = tf.float32,name='b')  
init = tf.initialize_all_variables()
saver = tf.train.Saver()
with tf.Session() as sess:
        sess.run(init)
        save_path = saver.save(sess,"save/model.ckpt")

载入代码如下:

import tensorflow as tf
import numpy as np  
W = tf.Variable(tf.truncated_normal(shape=(2,3)),dtype = tf.float32,name='w')
b = tf.Variable(tf.truncated_normal(shape=(1,3)),dtype = tf.float32,name='b')  
saver = tf.train.Saver()
with tf.Session() as sess:
        saver.restore(sess,"save/model.ckpt")

这种方法不方便的在于，在使用模型的时候，必须把模型的结构重新定义一遍，然后载入对应名字的变量的值。但是很多时候我们都更希望能够读取一个文件然后就直接使用模型，而不是还要把模型重新定义一遍。所以就需要使用另一种方法。

二、不需重新定义网络结构的方法

tf.train.import_meta_graph

import_meta_graph(
    meta_graph_or_file,
    clear_devices=False,
    import_scope=None,
    **kwargs
)

这个方法可以从文件中将保存的graph的所有节点加载到当前的default graph中，并返回一个saver。也就是说，我们在保存的时候，除了将变量的值保存下来，其实还有将对应graph中的各种节点保存下来，所以模型的结构也同样被保存下来了。

比如我们想要保存计算最后预测结果的y，则应该在训练阶段将它添加到collection中。具体代码如下 :

保存

### 定义模型
input_x = tf.placeholder(tf.float32, shape=(None, in_dim), name='input_x')
input_y = tf.placeholder(tf.float32, shape=(None, out_dim), name='input_y')
w1 = tf.Variable(tf.truncated_normal([in_dim, h1_dim], stddev=0.1), name='w1')
b1 = tf.Variable(tf.zeros([h1_dim]), name='b1')
w2 = tf.Variable(tf.zeros([h1_dim, out_dim]), name='w2')
b2 = tf.Variable(tf.zeros([out_dim]), name='b2')
keep_prob = tf.placeholder(tf.float32, name='keep_prob')
hidden1 = tf.nn.relu(tf.matmul(self.input_x, w1) + b1)
hidden1_drop = tf.nn.dropout(hidden1, self.keep_prob)
### 定义预测目标
y = tf.nn.softmax(tf.matmul(hidden1_drop, w2) + b2)
# 创建saver
saver = tf.train.Saver(...variables...)
# 假如需要保存y，以便在预测时使用
tf.add_to_collection('pred_network', y)
sess = tf.Session()
for step in xrange(1000000):
    sess.run(train_op)
    if step % 1000 == 0:
        # 保存checkpoint, 同时也默认导出一个meta_graph
        # graph名为'my-model-{global_step}.meta'.
        saver.save(sess, 'my-model', global_step=step)

载入

with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('my-save-dir/my-model-10000.meta')
  new_saver.restore(sess, 'my-save-dir/my-model-10000')
  # tf.get_collection() 返回一个list. 但是这里只要第一个参数即可
  y = tf.get_collection('pred_network')[0]
  graph = tf.get_default_graph()
  # 因为y中有placeholder，所以sess.run(y)的时候还需要用实际待预测的样本以及相应的参数来填充这些placeholder，而这些需要通过graph的get_operation_by_name方法来获取。
  input_x = graph.get_operation_by_name('input_x').outputs[0]
  keep_prob = graph.get_operation_by_name('keep_prob').outputs[0]
  # 使用y进行预测
  sess.run(y, feed_dict={input_x:....,  keep_prob:1.0})

具体示例

save.py

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加载数据集
mnist = input_data.read_data_sets("data", one_hot=True)
# Parameters
learning_rate = 0.001
batch_size = 100
display_step = 10
model_path = "save/model.ckpt"
# Network Parameters
n_hidden_1 = 256  # 1st layer number of features
n_hidden_2 = 256  # 2st layer number of features
n_input = 784  # MNIST data input (img shape: 28*28)
n_classes = 10  # MNIST total classes (0-9 digits)
# tf Graph input
x = tf.placeholder(tf.float32, [None, n_input], name="input_x")
y = tf.placeholder(tf.float32, [None, n_classes], name="input_y")
# Store layers weight & bias
weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}
# Create model
def multilayer_perceptron(x, weights, biases):
    # layer1
    h1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    h1 = tf.nn.relu(h1)
    # layer2
    h2 = tf.add(tf.matmul(h1, weights['h2']), biases['b2'])
    h2 = tf.nn.relu(h2)
    # out
    out = tf.add(tf.matmul(h2, weights['out']), biases['out'])
    return out
# Construct model
logits = multilayer_perceptron(x, weights, biases)
pred = tf.nn.softmax(logits)
# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
corrcet_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(corrcet_pred, tf.float32))
# Initializing the variables
init = tf.global_variables_initializer()
# 保存模型
saver = tf.train.Saver()
tf.add_to_collection("pred", pred)
tf.add_to_collection('acc', accuracy)
with tf.Session() as sess:
    sess.run(init)
    step = 0
    while step * batch_size < 180000:
        batch_xs, batch_ys = mnist.train.next_batch(batch_size)
        loss, _, acc = sess.run([cost, optimizer, accuracy], feed_dict={x: batch_xs, y: batch_ys})
        if step % display_step == 0:
            # step: 1790 loss: 16.9724 acc: 0.95
            print("step: ", step, "loss: ", loss, "acc: ", acc)
            saver.save(sess, save_path=model_path, global_step=step)
        step += 1
    print("Train Finish!")

checkpoint:

model_checkpoint_path: "model.ckpt-1790"
all_model_checkpoint_paths: "model.ckpt-1750"
all_model_checkpoint_paths: "model.ckpt-1760"
all_model_checkpoint_paths: "model.ckpt-1770"
all_model_checkpoint_paths: "model.ckpt-1780"
all_model_checkpoint_paths: "model.ckpt-1790"

restore.py

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# load mnist data
mnist = input_data.read_data_sets("data", one_hot=True)
with tf.Session() as sess:
    new_saver = tf.train.import_meta_graph("save/model.ckpt-1790.meta")
    new_saver.restore(sess, "save/model.ckpt-1790")
    # tf.get_collection() 返回一个list. 但是这里只要第一个参数即可
    pred = tf.get_collection("pred")[0]
    acc = tf.get_collection("acc")[0]
    # 因为 pred, acc 中有 placeholder，所以 sess.run(acc)的时候还需要用实际待预测的样本以及相应的参数来填充这些placeholder，
    # 而这些需要通过graph的get_operation_by_name方法来获取。
    graph = tf.get_default_graph()
    x = graph.get_operation_by_name("input_x").outputs[0]
    y = graph.get_operation_by_name("input_y").outputs[0]
    test_xs = mnist.test.images
    test_ys = mnist.test.labels
    #test set acc:  [0.91820002]
    print("test set acc: ", sess.run([acc], feed_dict={
        x: test_xs,
        y: test_ys
    }))
原文：https://blog.csdn.net/u011026329/article/details/79190347