Tensorflow模型持久化的示例分析

這篇文章給大家分享的是有關Tensorflow模型持久化的示例分析的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

當我們使用 tensorflow 訓練神經網絡的時候，模型持久化對于我們的訓練有很重要的作用。

如果我們的神經網絡比較復雜，訓練數據比較多，那么我們的模型訓練就會耗時很長，如果在訓練過程中出現某些不可預計的錯誤，導致我們的訓練意外終止，那么我們將會前功盡棄。為了避免這個問題，我們就可以通過模型持久化（保存為CKPT格式）來暫存我們訓練過程中的臨時數據。

如果我們訓練的模型需要提供給用戶做離線的預測，那么我們只需要前向傳播的過程，只需得到預測值就可以了，這個時候我們就可以通過模型持久化（保存為PB格式）只保存前向傳播中需要的變量并將變量的值固定下來，這個時候只需用戶提供一個輸入，我們就可以通過模型得到一個輸出給用戶。

保存為 CKPT 格式的模型

定義運算過程

聲明并得到一個 Saver

通過 Saver.save 保存模型

# coding=UTF-8 支持中文編碼格式
import tensorflow as tf
import shutil
import os.path

MODEL_DIR = "model/ckpt"
MODEL_NAME = "model.ckpt"

# if os.path.exists(MODEL_DIR): 刪除目錄
#   shutil.rmtree(MODEL_DIR)
if not tf.gfile.Exists(MODEL_DIR): #創建目錄
  tf.gfile.MakeDirs(MODEL_DIR)

#下面的過程你可以替換成CNN、RNN等你想做的訓練過程，這里只是簡單的一個計算公式
input_holder = tf.placeholder(tf.float32, shape=[1], name="input_holder") #輸入占位符，并指定名字，后續模型讀取可能會用的
W1 = tf.Variable(tf.constant(5.0, shape=[1]), name="W1")
B1 = tf.Variable(tf.constant(1.0, shape=[1]), name="B1")
_y = (input_holder * W1) + B1
predictions = tf.greater(_y, 50, name="predictions") #輸出節點名字，后續模型讀取會用到，比50大返回true，否則返回false

init = tf.global_variables_initializer()
saver = tf.train.Saver() #聲明saver用于保存模型

with tf.Session() as sess:
  sess.run(init)
  print "predictions : ", sess.run(predictions, feed_dict={input_holder: [10.0]}) #輸入一個數據測試一下
  saver.save(sess, os.path.join(MODEL_DIR, MODEL_NAME)) #模型保存
  print("%d ops in the final graph." % len(tf.get_default_graph().as_graph_def().node)) #得到當前圖有幾個操作節點

for op in tf.get_default_graph().get_operations(): #打印模型節點信息
  print (op.name, op.values())

運行后生成的文件如下：

checkpoint ： 記錄目錄下所有模型文件列表
ckpt.data ： 保存模型中每個變量的取值
ckpt.meta ： 保存整個計算圖的結構

保存為 PB 格式模型

定義運算過程
通過 get_default_graph().as_graph_def() 得到當前圖的計算節點信息
通過 graph_util.convert_variables_to_constants 將相關節點的values固定
通過 tf.gfile.GFile 進行模型持久化

# coding=UTF-8
import tensorflow as tf
import shutil
import os.path
from tensorflow.python.framework import graph_util


# MODEL_DIR = "model/pb"
# MODEL_NAME = "addmodel.pb"

# if os.path.exists(MODEL_DIR): 刪除目錄
#   shutil.rmtree(MODEL_DIR)
#
# if not tf.gfile.Exists(MODEL_DIR): #創建目錄
#   tf.gfile.MakeDirs(MODEL_DIR)

output_graph = "model/pb/add_model.pb"

#下面的過程你可以替換成CNN、RNN等你想做的訓練過程，這里只是簡單的一個計算公式
input_holder = tf.placeholder(tf.float32, shape=[1], name="input_holder")
W1 = tf.Variable(tf.constant(5.0, shape=[1]), name="W1")
B1 = tf.Variable(tf.constant(1.0, shape=[1]), name="B1")
_y = (input_holder * W1) + B1
# predictions = tf.greater(_y, 50, name="predictions") #比50大返回true，否則返回false
predictions = tf.add(_y, 10,name="predictions") #做一個加法運算

init = tf.global_variables_initializer()

with tf.Session() as sess:
  sess.run(init)
  print "predictions : ", sess.run(predictions, feed_dict={input_holder: [10.0]})
  graph_def = tf.get_default_graph().as_graph_def() #得到當前的圖的 GraphDef 部分，通過這個部分就可以完成重輸入層到輸出層的計算過程

  output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定
    sess,
    graph_def,
    ["predictions"] #需要保存節點的名字
  )
  with tf.gfile.GFile(output_graph, "wb") as f: # 保存模型
    f.write(output_graph_def.SerializeToString()) # 序列化輸出
  print("%d ops in the final graph." % len(output_graph_def.node))
  print (predictions)

# for op in tf.get_default_graph().get_operations(): 打印模型節點信息
#   print (op.name)

*GraphDef：這個屬性記錄了tensorflow計算圖上節點的信息。

add_model.pb ： 里面保存了重輸入層到輸出層這個計算過程的計算圖和相關變量的值，我們得到這個模型后傳入一個輸入，既可以得到一個預估的輸出值

CKPT 轉換成 PB格式

通過傳入 CKPT 模型的路徑得到模型的圖和變量數據
通過 import_meta_graph 導入模型中的圖
通過 saver.restore 從模型中恢復圖中各個變量的數據
通過 graph_util.convert_variables_to_constants 將模型持久化

# coding=UTF-8
import tensorflow as tf
import os.path
import argparse
from tensorflow.python.framework import graph_util

MODEL_DIR = "model/pb"
MODEL_NAME = "frozen_model.pb"

if not tf.gfile.Exists(MODEL_DIR): #創建目錄
  tf.gfile.MakeDirs(MODEL_DIR)

def freeze_graph(model_folder):
  checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態是否可用
  input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑
  output_graph = os.path.join(MODEL_DIR, MODEL_NAME) #PB模型保存路徑

  output_node_names = "predictions" #原模型輸出操作節點的名字
  saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) #得到圖、clear_devices ：Whether or not to clear the device field for an `Operation` or `Tensor` during import.

  graph = tf.get_default_graph() #獲得默認的圖
  input_graph_def = graph.as_graph_def() #返回一個序列化的圖代表當前的圖

  with tf.Session() as sess:
    saver.restore(sess, input_checkpoint) #恢復圖并得到數據

    print "predictions : ", sess.run("predictions:0", feed_dict={"input_holder:0": [10.0]}) # 測試讀出來的模型是否正確，注意這里傳入的是輸出 和輸入 節點的 tensor的名字，不是操作節點的名字

    output_graph_def = graph_util.convert_variables_to_constants( #模型持久化，將變量值固定
      sess,
      input_graph_def,
      output_node_names.split(",") #如果有多個輸出節點，以逗號隔開
    )
    with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
      f.write(output_graph_def.SerializeToString()) #序列化輸出
    print("%d ops in the final graph." % len(output_graph_def.node)) #得到當前圖有幾個操作節點

    for op in graph.get_operations():
      print(op.name, op.values())

if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument("model_folder", type=str, help="input ckpt model dir") #命令行解析，help是提示符，type是輸入的類型，
  # 這里運行程序時需要帶上模型ckpt的路徑，不然會報 error: too few arguments
  aggs = parser.parse_args()
  freeze_graph(aggs.model_folder)
  # freeze_graph("model/ckpt") #模型目錄

感謝各位的閱讀！關于“Tensorflow模型持久化的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！