Tensorflow加载预训练模型和保存模型（ckpt文件）以及迁移学习finetuning

转载自：https://blog.csdn.net/huachao1001/article/details/78501928

使用tensorflow过程中，训练结束后我们需要用到模型文件。有时候，我们可能也需要用到别人训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。

1 Tensorflow模型文件

我们在checkpoint_dir目录下保存的文件结构如下：

    |--checkpoint_dir
    | |--checkpoint
    | |--MyModel.meta
    | |--MyModel.data-00000-of-00001
    | |--MyModel.index

1.1 meta文件

MyModel.meta文件保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。

1.2 ckpt文件

ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通过两个文件保存,如：

    MyModel.data-00000-of-00001
    MyModel.index

1.3 checkpoint文件

我们还可以看，checkpoint_dir目录下还有checkpoint文件，该文件是个文本文件，里面记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference时，可以通过修改这个文件，指定使用哪个model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver类来保存模型，值得注意的是，在tensorflow中，变量是存在于Session环境中，也就是说，只有在Session环境下才会存有变量值，因此，保存模型时需要传入session：

    saver = tf.train.Saver()
    saver.save(sess,"./checkpoint_dir/MyModel")

看一个简单例子：

    import tensorflow as tf
     
    w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
    w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
    saver = tf.train.Saver()
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    saver.save(sess, './checkpoint_dir/MyModel')

执行后，在checkpoint_dir目录下创建模型文件如下：

    checkpoint
    MyModel.data-00000-of-00001
    MyModel.index
    MyModel.meta

另外，如果想要在1000次迭代后，再保存模型，只需设置global_step参数即可

保存的模型文件名称会在后面加-1000,如下：

    checkpoint
    MyModel-1000.data-00000-of-00001
    MyModel-1000.index
    MyModel-1000.meta

在实际训练中，我们可能会在每1000次迭代中保存一次模型数据，但是由于图是不变的，没必要每次都去保存，可以通过如下方式指定不保存图：

saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)

另一种比较实用的是，如果你希望每2小时保存一次模型，并且只保存最近的5个模型文件：

tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)

注意：tensorflow默认只会保存最近的5个模型文件，如果你希望保存更多，可以通过max_to_keep来指定

如果我们不对tf.train.Saver指定任何参数，默认会保存所有变量。如果你不想保存所有变量，而只保存一部分变量，可以通过指定variables/collections。在创建tf.train.Saver实例时，通过将需要保存的变量构造list或者dictionary，传入到Saver中：

    import tensorflow as tf
    w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
    w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
    saver = tf.train.Saver([w1,w2])
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

3 导入训练好的模型

在第1小节中我们介绍过，tensorflow将图和变量数据分开保存为不同的文件。因此，在导入模型时，也要分为2步：构造网络图和加载参数

3.1 构造网络图

一个比较笨的方法是，手敲代码，实现跟模型一模一样的图结构。其实，我们既然已经保存了图，那就没必要在去手写一次图结构代码。

saver=tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')

上面一行代码，就把图加载进来了

3.2 加载参数

仅仅有图并没有用，更重要的是，我们需要前面训练好的模型参数（即weights、biases等），本文第2节提到过，变量值需要依赖于Session，因此在加载参数时，先要构造好Session：

    import tensorflow as tf
    with tf.Session() as sess:
    　　new_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    　　new_saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))

此时，W1和W2加载进了图，并且可以被访问：

    import tensorflow as tf
    with tf.Session() as sess:
    　　saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    　　saver.restore(sess,tf.train.latest_checkpoint('./checkpoint_dir'))
    　　print(sess.run('w1:0'))
    　　##Model has been restored. Above statement will print the saved value

执行后，打印如下：

[ 0.51480412 -0.56989086]


或者：

import tensorflow as tf
import numpy as np
 
with tf.Session() as sess:
    # restore graph
    saver = tf.train.import_meta_graph('my_net/save_net.ckpt.meta')
    
    #restore ckpt
    saver.restore(sess, "my_net/save_net.ckpt")
 
    # check variable W and b, like weight or bias
    print("weights:", sess.run('weights:0'))
    print("biases:", sess.run('biases:0'))

4 使用恢复的模型

前面我们理解了如何保存和恢复模型，很多时候，我们希望使用一些已经训练好的模型，如prediction、fine-tuning以及进一步训练等。这时候，我们可能需要获取训练好的模型中的一些中间结果值，可以通过graph.get_tensor_by_name('w1:0')来获取，注意w1:0是tensor的name。

假设我们有一个简单的网络模型，代码如下：

    import tensorflow as tf
     
     
    w1 = tf.placeholder("float", name="w1")
    w2 = tf.placeholder("float", name="w2")
    b1= tf.Variable(2.0,name="bias")
     
    #定义一个op，用于后面恢复
    w3 = tf.add(w1,w2)
    w4 = tf.multiply(w3,b1,name="op_to_restore")
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
     
    #创建一个Saver对象，用于保存所有变量
    saver = tf.train.Saver()
     
    #通过传入数据，执行op
    print(sess.run(w4,feed_dict ={w1:4,w2:8}))
    #打印 24.0 ==>(w1+w2)*b1
     
    #现在保存模型
    saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

接下来我们使用graph.get_tensor_by_name()方法来操纵这个保存的模型。

    import tensorflow as tf
     
    sess=tf.Session()
    #先加载图和参数变量
    saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./checkpoint_dir'))
     
     
    # 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
    graph = tf.get_default_graph()
    w1 = graph.get_tensor_by_name("w1:0")
    w2 = graph.get_tensor_by_name("w2:0")
    feed_dict ={w1:13.0,w2:17.0}
     
    #接下来，访问你想要执行的op
    op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
     
    print(sess.run(op_to_restore,feed_dict))
    #打印结果为60.0==>(13+17)*2

注意：保存模型时，只会保存变量的值，placeholder里面的值不会被保存

如果你不仅仅是用训练好的模型，还要加入一些op，或者说加入一些layers并训练新的模型，可以通过一个简单例子来看如何操作：

    import tensorflow as tf
     
    sess = tf.Session()
    # 先加载图和变量
    saver = tf.train.import_meta_graph('my_test_model-1000.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./'))
     
    # 访问placeholders变量，并且创建feed-dict来作为placeholders的新值
    graph = tf.get_default_graph()
    w1 = graph.get_tensor_by_name("w1:0")
    w2 = graph.get_tensor_by_name("w2:0")
    feed_dict = {w1: 13.0, w2: 17.0}
     
    #接下来，访问你想要执行的op
    op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
     
    # 在当前图中能够加入op
    add_on_op = tf.multiply(op_to_restore, 2)
     
    print (sess.run(add_on_op, feed_dict))
    # 打印120.0==>(13+17)*2*2

如果只想恢复图的一部分，并且再加入其它的op用于fine-tuning。只需通过graph.get_tensor_by_name()方法获取需要的op，并且在此基础上建立图，看一个简单例子，假设我们需要在训练好的VGG网络使用图，并且修改最后一层，将输出改为2，用于fine-tuning新数据：

1. ......
2. ......
3. saver = tf.train.import_meta_graph('vgg.meta')
4. # 访问图
5. graph = tf.get_default_graph()
6.  
7. #访问用于fine-tuning的output
8. fc7= graph.get_tensor_by_name('fc7:0')
9.  
10. #如果你想修改最后一层梯度，需要如下
11. fc7 = tf.stop_gradient(fc7) # It's an identity function
12. fc7_shape= fc7.get_shape().as_list()
13.  
14. new_outputs=2
15. weights = tf.Variable(tf.truncated_normal([fc7_shape[3], num_outputs], stddev=0.05))
16. biases = tf.Variable(tf.constant(0.05, shape=[num_outputs]))
17. output = tf.matmul(fc7, weights) + biases
18. pred = tf.nn.softmax(output)
19.  
20. # Now, you run this with fine-tuning data in sess.run()

• 五、查看模型的所有层的输入输出的tensor name

1. import os
2. import re
3. import tensorflow as tf
4. from tensorflow.python import pywrap_tensorflow
5. model_exp = "20180402-114759"
6.  
7. def get_model_filenames(model_dir):
8. files = os.listdir(model_dir)
9. meta_files = [s for s in files if s.endswith('.meta')]
10. if len(meta_files)==0:
11. raise load_modelValueError('No meta file found in the model directory (%s)' % model_dir)
12. elif len(meta_files)>1:
13. raise ValueError('There should not be more than one meta file in the model directory (%s)' % model_dir)
14. meta_file = meta_files[0]
15. ckpt = tf.train.get_checkpoint_state(model_dir) # 通过checkpoint文件找到模型文件名
16. if ckpt and ckpt.model_checkpoint_path:
17. # ckpt.model_checkpoint_path表示模型存储的位置，不需要提供模型的名字，它回去查看checkpoint文件
18. ckpt_file = os.path.basename(ckpt.model_checkpoint_path)
19. return meta_file, ckpt_file
20.  
21. meta_files = [s for s in files if '.ckpt' in s]
22. max_step = -1
23. for f in files:
24. step_str = re.match(r'(^model-[w- ]+.ckpt-(d+))', f)
25. if step_str is not None and len(step_str.groups())>=2:
26. step = int(step_str.groups()[1])
27. if step > max_step:
28. max_step = step
29. ckpt_file = step_str.groups()[0]
30. return meta_file, ckpt_file
31.  
32.  
33. meta_file, ckpt_file = get_model_filenames(model_exp)
34.  
35. print('Metagraph file: %s' % meta_file)
36. print('Checkpoint file: %s' % ckpt_file)
37. reader = pywrap_tensorflow.NewCheckpointReader(os.path.join(model_exp, ckpt_file))
38. var_to_shape_map = reader.get_variable_to_shape_map()
39. for key in var_to_shape_map:
40. print("tensor_name: ", key)
41. # print(reader.get_tensor(key))
42.  
43. with tf.Session() as sess:
44. saver = tf.train.import_meta_graph(os.path.join(model_exp, meta_file))
45. saver.restore(tf.get_default_session(),
46. os.path.join(model_exp, ckpt_file))
47. print(tf.get_default_graph().get_tensor_by_name("Logits/weights:0"))

六、tensorflow从已经训练好的模型中，恢复指定权重(构建新变量、网络)并继续训练(finetuning)

该部分转载自：https://blog.csdn.net/ying86615791/article/details/76215363

假如要保存或者恢复指定tensor，并且把保存的graph恢复(插入)到当前的graph中呢？

总的来说，目前我会的是两种方法，命名都是很关键！
两种方式保存模型，
1.保存所有tensor，即整张图的所有变量，
2.只保存指定scope的变量
两种方式恢复模型，
1.导入模型的graph，用该graph的saver来restore变量
2.在新的代码段中写好同样的模型（变量名称及scope的name要对应），用默认的graph的saver来restore指定scope的变量

两种保存方式：
1.保存整张图，所有变量

1. ...
2. init = tf.global_variables_initializer()
3. saver = tf.train.Saver()
4. config = tf.ConfigProto()
5. config.gpu_options.allow_growth=True
6. with tf.Session(config=config) as sess:
7. sess.run(init)
8. ...
9. writer.add_graph(sess.graph)
10. ...
11. saved_path = saver.save(sess,saver_path)
12. ...

2.保存图中的部分变量

1. ...
2. init = tf.global_variables_initializer()
3. vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensor
4. saver = tf.train.Saver(vgg_ref_vars)#初始化saver时，传入一个var_list的参数
5. config = tf.ConfigProto()
6. config.gpu_options.allow_growth=True
7. with tf.Session(config=config) as sess:
8. sess.run(init)
9. ...
10. writer.add_graph(sess.graph)
11. ...
12. saved_path = saver.save(sess,saver_path)
13. ...

两种恢复方式：
1.导入graph来恢复

1. ...
2. vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件
3. vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件，里面是各个tensor的值
4. saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中，返回导入graph的saver
5. x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholder
6. feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，获取要使用的tensor
7. """
8. 以上两个获取tensor的方式也可以为:
9. graph = tf.get_default_graph()
10. centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
11. 当然，前提是有tensor的名字
12. """
13. ...
14. init = tf.global_variables_initializer()
15. saver = tf.train.Saver() # 这个是当前新图的saver
16. config = tf.ConfigProto()
17. config.gpu_options.allow_growth=True
18. with tf.Session(config=config) as sess:
19. sess.run(init)
20. ...
21. saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
22. ...

2.重写一样的graph，然后恢复指定scope的变量

1. def re_build():#重建保存的那个graph
2. with tf.variable_scope('vgg_feat_fc'): #没错，这个scope要和需要恢复模型中的scope对应
3. ...
4. return ...
5.  
6. ...
7. vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope，其实第1个方法中，导入graph后，可以不用返回的vgg_saver，再新建一个指定var_list的vgg_saver就好了，恩，需要传入一个var_list的参数
8. ...
9. init = tf.global_variables_initializer()
10. saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saver
11. saver = tf.train.Saver() # 这个是当前新图的saver
12. config = tf.ConfigProto()
13. config.gpu_options.allow_growth=True
14. with tf.Session(config=config) as sess:
15. sess.run(init)
16. ...
17. saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
18. ...

总结一下，这里的要点就是，在restore的时候，saver要和模型对应，如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错，提示key/tensor ... not found之类的错误;
写graph的时候，一定要注意写好scope和tensor的name，合理插入variable_scope; 

最方便的方式还是，用第1种方式来保存模型，这样就不用重写代码段了，然后第1种方式恢复，不过为了稳妥，最好还是通过获取var_list，指定saver的var_list，妥妥的！

最新发现，用第1种方式恢复时，要记得当前的graph和保存的模型中没有重名的tensor，否则当前graph的tensor name可能不是那个name，可能在后面加了"_1"....-_-||

在恢复图基础上构建新的网络（变量）并训练(finetuning)

恢复模型graph和weights在上面已经说了，这里的关键点是怎样只恢复原图的权重 ，并且使optimizer只更新新构造变量（指定层、变量）。

（以下code与上面没联系）

1. """1.Get input, output , saver and graph"""#从导入图中获取需要的东西
2. meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
3. model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
4. saver_restore = tf.train.import_meta_graph(meta_path_restore) #获取导入图的saver，便于后面恢复
5. graph_restore = tf.get_default_graph() #此时默认图就是导入的图
6. #从导入图中获取需要的tensor
7. #1. 用collection来获取
8. input_x = tf.get_collection('inputs')[0]
9. input_is_training = tf.get_collection('is_training')[0]
10. output_feat_fused = tf.get_collection('feat_fused')[0]
11. #2. 用tensor的name来获取
12. input_y = graph_restore.get_tensor_by_name('label_exp:0')
13. print('Get tensors...')
14. print('inputs shape: {}'.format(input_x.get_shape().as_list()))
15. print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
16. print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))
17.  
18.  
19. """2.Build new variable for fine tuning"""#构造新的variables用于后面的finetuning
20. graph_restore.clear_collection('feat_fused') #删除以前的集合，假如finetuning后用新的代替原来的
21. graph_restore.clear_collection('prob')
22. #添加新的东西
23. if F_scale is not None and F_scale!=0:
24. print('F_scale is not None, value={}'.format(F_scale))
25. feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
26. tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合
27. logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits"
28.  
29.  
30. """3.Get acc and loss"""#构造损失
31. with tf.variable_scope('accuracy'):
32. accuracy,prediction = ...
33. with tf.variable_scope('loss'):
34. loss = ...
35.  
36. """4.Build op for fine tuning"""
37. global_step = tf.Variable(0, trainable=False,name='global_step')
38. learning_rate = tf.train.exponential_decay(initial_lr,
39. global_step=global_step,
40. decay_steps=decay_steps,
41. staircase=True,
42. decay_rate=0.1)
43. update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
44. with tf.control_dependencies(update_ops):
45. var_list = tf.contrib.framework.get_variables('final_logits')#关键！获取指定scope下的变量
46. train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
47. """5.Begin training"""
48. init = tf.global_variables_initializer()
49. saver = tf.train.Saver()
50. config = tf.ConfigProto()
51. config.gpu_options.allow_growth=True
52. with tf.Session(config=config) as sess:
53. sess.run(init)
54. saver_restore.restore(sess, model_path_restore) #这里saver_restore对应导入图的saver， 如果用上面新的saver的话会报错 因为多出了一些新的变量 在保存的模型中是没有那些权值的
55. sess.run(train_op, feed_dict)
56. .......

再说明下两个关键点：

1. 如何在新图的基础上 只恢复 导入图的权重 ？

用导入图的saver: saver_restore

2. 如何只更新指定参数？

用var_list = tf.contrib.framework.get_variables(scope_name)获取指定scope_name下的变量，

然后optimizer.minimize()时传入指定var_list

附：如何知道tensor名字以及获取指定变量？

1.获取某个操作之后的输出

用graph.get_operations()获取所有op

比如<tf.Operation 'common_conv_xxx_net/common_conv_net/flatten/Reshape' type=Reshape>,

那么output_pool_flatten = graph_restore.get_tensor_by_name('common_conv_xxx_net/common_conv_net/flatten/Reshape:0')就是那个位置经过flatten后的输出了

2.获取指定的var的值

用GraphKeys获取变量

tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的变量

比如 <tf.Variable 'common_conv_xxx_net/final_logits/logits/biases:0' shape=(7,) dtype=float32_ref>

那么var_logits_biases = graph_restore.get_tensor_by_name('common_conv_xxx_net/final_logits/logits/biases:0')就是那个位置的biases了

3.获取指定scope的collection

tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES,scope='common_conv_xxx_net.final_logits')

注意后面的scope是xxx.xxx不是xxx/xxx