溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
終于找到bug原因！記一下；還是不熟悉平臺的原因造成的！
Q：為什么會出現兩個模型對象在同一個文件中一起運行，當直接讀取他們分開運行時訓練出來的模型會出錯，而且總是有一個正確，一個讀取錯誤？ 而 直接在同一個文件又訓練又重新加載模型預測不出錯，而且更詭異的是此時用分文件里的對象加載模型不會出錯？
model.py,里面含有 ModelV 和 ModelP，另外還有 modelP.py 和 modelV.py 分別只含有 ModelP 和 ModeV 這兩個對象，先使用 modelP.py 和 modelV.py 分別訓練好模型，然后再在 model.py 里加載進來：
# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print(v.name) self.saver.restore(self.sess, self.save_path) print "ModelV restored." print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print v.name self.saver.restore(self.sess, self.save_path) print "ModelP restored." print 'p2', self.p2.eval(self.sess) print '---------------------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()
這里 tf.global_variables_initializer() 很關鍵！ 盡管你是分別在對象 ModelP 和 ModelV 內部分配和定義的 tf.Variable()，即 v1 v2 和 p1 p2，但是 對 tf 這個模塊而言， 這些都是全局變量，可以通過以下代碼查看所有的變量，你就會發現同一個文件中同時運行 ModelP 和 ModelV 在初始化之后都打印出了一樣的變量，這個是問題的關鍵所在：
all_vars = tf.trainable_variables() for v in all_vars: print(v.name)
錯誤。你可以交換 modelP 和 modelV 初始化的順序，看看錯誤信息的變化
v1:0 v2:0 p1:0 p2:0 ModelV restored. v2 77 v1:0 v2:0 p1:0 p2:0 W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v2 not found in checkpoint W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v1 not found in checkpoint
實際上，分開運行時，模型保存的參數是正確的，因為在一個模型里的Variable就只有 v1 v2 或者 p1 p2; 但是在一個文件同時運行的時候，模型參數實際上保存的是 v1 v2 p1 p2四個，因為在默認情況下，創建的Saver，會直接保存所有的參數。而 Saver.restore() 又是默認（無Variable參數列表時）按照已經定義好的全局模型變量來加載對應的參數值， 在進行 ModelV.predict時，按照順序（從debug可以看出，應該是按照參數順序一次檢測）在模型文件中查找相應的 key，此時能夠找到對應的v1 v2，加載成功，但是在 ModelP.predict時，在model_p的模型文件中找不到 v1 和 v2，只有 p1 和 p2， 此時就會報錯；不過這里的 第一次加載 還有 p1 p2 找不到沒有報錯，解釋不通， 未完待續
Saver.save() 和 Saver.restore() 是一對， 分別只保存和加載模型的參數， 但是模型的結構怎么知道呢? 必須是你定義好了，而且要和保存的模型匹配才能加載；
如果想要在不定義模型的情況下直接加載出模型結構和模型參數值，使用
# 加載 結構，即 模型參數 變量等
new_saver = tf.train.import_meta_graph("model_v/model.ckpt.meta")
print "ModelV construct"
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name
#print v.name,v.eval(self.sess) # v 都還未初始化，不能求值
# 加載模型 參數變量 的 值
new_saver.restore(self.sess, tf.train.latest_checkpoint('model_v/'))
print "ModelV restored."
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name,v.eval(self.sess)
加載 結構，即 模型參數 變量等完成后，就會有變量了，但是不能訪問他的值，因為還未賦值，然后再restore一次即可得到值了
那么上述錯誤的解決方法就是這個改進版本的model.py；其實 tf.train.Saver 是可以帶參數的，他可以保存你想要保存的模型參數，如果不帶參數，很可能就會保存 tf.trainable_variables() 所有的variable，而 tf.trainable_variables()又是從 tf 全局得到的，因此只要在模型保存和加載時，構造對應的帶參數的tf.train.Saver即可，這樣就會保存和加載正確的模型了
# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.v1, self.v2]) self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): saver = tf.train.Saver([self.v1, self.v2]) all_vars = tf.trainable_variables() for v in all_vars: print v.name v_vars = [v for v in all_vars if v.name == 'v1:0' or v.name == 'v2:0'] print "ModelV restored." saver.restore(self.sess, self.save_path) for v in v_vars: print v.name,v.eval(self.sess) print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.p1, self.p2]) self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): saver = tf.train.Saver([self.p1, self.p2]) all_vars = tf.trainable_variables() p_vars = [v for v in all_vars if v.name == 'p1:0' or v.name == 'p2:0'] for v in all_vars: print v.name #print v.name,v.eval(self.sess) saver.restore(self.sess, self.save_path) print "ModelP restored." for p in p_vars: print p.name,p.eval(self.sess) print 'p2', self.p2.eval(self.sess) print '----------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()
小結： 構造的Saver 最好帶Variable參數，這樣保證 保存和加載能夠正確執行
以上這篇解決tensorflow模型參數保存和加載的問題就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
