时间:2021-05-22
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。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
本文为大家分享了TensorFLow用Saver保存和恢复变量的具体代码,供大家参考,具体内容如下建立文件tensor_save.py,保存变量v1,v2的te
一、TensorFlow模型保存和提取方法1.TensorFlow通过tf.train.Saver类实现神经网络模型的保存和提取。tf.train.Saver对
tensorflow模型保存为saver=tf.train.Saver()函数,saver.save()保存模型,代码如下:importtensorflowas
今天和大家分享一下用TensorFlow的saver存取训练好的模型那点事。1.用saver存取变量;2.用saver存取指定变量。用saver存取变量。话不多
使用tensorflow训练模型时,我们可以使用tensorflow自带的Save模块tf.train.Saver()来保存模型,使用方式很简单就是在训练完模型