在实践中经常会遇到这样的情况：

1、用简单的模型预训练参数

2、把预训练的参数导入复杂的模型后训练复杂的模型

这时就产生一个问题：

如何加载预训练的参数。

下面就是我的总结。

为了方便说明，做一个假设：简单的模型只有一个卷基层，复杂模型有两个。

卷积层的实现代码如下：

import tensorflow as tf# PS：本篇的重担是saver，不过为了方便阅读还是说明下参数# 参数# name：创建卷基层的代码这么多，必须要函数化，而为了防止变量冲突就需要用tf.name_scope# input_data：输入数据# width, high：卷积小窗口的宽、高# deep_before, deep_after：卷积前后的神经元数量# stride：卷积小窗口的移动步长def make_conv(name, input_data, width, high, deep_before,deep_after, stride, padding_type='SAME'): global parameters with tf.name_scope(name) asscope: weights =tf.Variable(tf.truncated_normal([width, high, deep_before, deep_after], dtype=tf.float32,stddev=0.01), trainable=True, name='weights') biases =tf.Variable(tf.constant(0.1, shape=[deep_after]), trainable=True, name='biases') conv =tf.nn.conv2d(input_data, weights, [1, stride, stride, 1], padding=padding_type) bias = tf.add(conv,biases) bias = batch_norm(bias,deep_after, 1) # batch_norm是自己写的batchnorm函数 conv =tf.maximum(0.1*bias, bias) return conv

简单的预训练模型就下面一句话

conv1 =make_conv('simple-conv1', images, 3, 3, 3, 32, 1)

复杂的模型是两个卷基层，如下：

conv1 = make_conv('complex-conv1',images, 3, 3, 3, 32, 1)pool1= make_max_pool('layer1-pool1', conv1, 2, 2)conv2= make_conv('complex-conv2', pool1, 3, 3, 32, 64, 1)

这时简简单单的在预训练模型中：

saver = tf.train.Saver()with tf.Session() as sess:saver.save(sess,'model.ckpt')

就不行了，因为：

1，如果你在预训练模型中使用下面的话打印所有tensor

all_v =tf.global_variables()for i in all_v: print i

会发现tensor的名字不是weights和biases，而是'simple-conv1/weights和'simple-conv1/biases，如下：

<tf.Variable'simple-conv1/weights:0' shape=(3, 3, 3, 32) dtype=float32_ref><tf.Variable'simple-conv1/biases:0' shape=(32,) dtype=float32_ref><tf.Variable 'simple-conv1/Variable:0' shape=(32,)dtype=float32_ref><tf.Variable 'simple-conv1/Variable_1:0' shape=(32,)dtype=float32_ref><tf.Variable 'simple-conv1/Variable_2:0' shape=(32,)dtype=float32_ref><tf.Variable 'simple-conv1/Variable_3:0' shape=(32,)dtype=float32_ref>

同理，在复杂模型中就是complex-conv1/weights和complex-conv1/biases，这是对不上号的。

2，预训练模型中只有1个卷积层，而复杂模型中有两个，而tensorflow默认会从模型文件('model.ckpt')中找所有的“可训练的”tensor，找不到会报错。

解决方法：

1，在预训练模型中定义全局变量

parm_dict={}

并在“return conv”上面添加下面两行

parm_dict['complex-conv1/weights']= weightsparm_dict['complex-conv1/']= biases

然后在定义saver时使用下面这句话：

saver= tf.train.Saver(parm_dict)

这样保存后的模型文件就对应到复杂模型上了。

2，在复杂模型中定义全局变量

parameters= []

并在“return conv”上面添加下面行

parameters+= [weights, biases]

然后判断如果是第二个卷积层就不更新parameters。

接着在定义saver时使用下面这句话：

saver= tf.train.Saver(parameters)

这样就可以告诉saver，只需要从模型文件中找weights和biases，而那些什么complex-conv1/Variable~ complex-conv1/Variable_3统统滚一边去(上面红色部分)。

最后使用下面的代码加载就可以了

with tf.Session() as sess: ckpt= tf.train.get_checkpoint_state('.') if ckpt and ckpt.model_checkpoint_path: saver.restore(sess,ckpt.model_checkpoint_path) else: print ' no saver.' exit()

以上这篇tensorflow saver 保存和恢复指定 tensor的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。