深度学习模型的保存方式

学习过深度学习的同志们都知道在训练过程中，模型的重要性，训练好的模型可以用来做分类，因此，我们需要对经过千幸万苦训练好的模型进行保存。本人在学习深度学习的时候，只要使用两种方式，一种是tensorflow版的保存，还有一种是keras版的模型的保存。下面逐一介绍下：

一、TensorFlow模型保存与读取（该方式tensorflow只能保存变量而不是保存整个网络，所以在提取模型时，我们还需要重新第一网络结构。） 
1、保存

import tensorflow as tf  import numpy as np  W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w')  b = tf.Variable([[0,1,2]],dtype = tf.float32,name='b')  init = tf.initialize_all_variables()  saver = tf.train.Saver()  with tf.Session() as sess:          sess.run(init)          save_path = saver.save(sess,"save/model.ckpt")  
1
2
3
4
5
6
7
8
9
10
11
12

2、加载

import tensorflow as tf  import numpy as np  W = tf.Variable(tf.truncated_normal(shape=(2,3)),dtype = tf.float32,name='w')  b = tf.Variable(tf.truncated_normal(shape=(1,3)),dtype = tf.float32,name='b')  saver = tf.train.Saver()  with tf.Session() as sess:          saver.restore(sess,"save/model.ckpt")  
1
2
3
4
5
6
7
8
9
10

二、TensorFlow模型保存与读取（该方式tensorflow保存整个网络） 
转载http://www.jianshu.com/p/8487db911d9a 
1、保存

import tensorflow as tf# First, you design your mathematical operations# We are the default graph scope# Let's design a variablev1 = tf.Variable(1. , name="v1")v2 = tf.Variable(2. , name="v2")# Let's design an operationa = tf.add(v1, v2)# Let's create a Saver object# By default, the Saver handles every Variables related to the default graphall_saver = tf.train.Saver() # But you can precise which vars you want to save under which namev2_saver = tf.train.Saver({"v2": v2}) # By default the Session handles the default graph and all its included variableswith tf.Session() as sess:  # Init v and v2     sess.run(tf.global_variables_initializer())  # Now v1 holds the value 1.0 and v2 holds the value 2.0  # We can now save all those values  all_saver.save(sess, 'data.chkp')  # or saves only v2  v2_saver.save(sess, 'data-v2.chkp')模型的权重是保存在 .chkp 文件中，模型的图是保存在 .chkp.meta 文件中。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

2、加载

import tensorflow as tf# Let's laod a previous meta graph in the current graph in use: usually the default graph# This actions returns a Saversaver = tf.train.import_meta_graph('results/model.ckpt-1000.meta')# We can now access the default graph where all our metadata has been loadedgraph = tf.get_default_graph()# Finally we can retrieve tensors, operations, etc.global_step_tensor = graph.get_tensor_by_name('loss/global_step:0')train_op = graph.get_operation_by_name('loss/train_op')hyperparameters = tf.get_collection('hyperparameters')恢复权重请记住，在实际的环境中，真实的权重只能存在于一个会话中。也就是说，restore 这个操作必须在一个会话中启动，然后将数据权重导入到图中。理解恢复操作的最好方法是将它简单的看做是一种数据初始化操作。with tf.Session() as sess:    # To initialize values with saved data    saver.restore(sess, 'results/model.ckpt-1000-00000-of-00001')    print(sess.run(global_step_tensor)) # returns 1000
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

三、keras模型保存和加载

model.save('my_model.h5')  model = load_model('my_model.h5') 前言：
tensorflow中有operation和tensor，前者表示 操作 ，后者表示 容器 ，每个operation都是有一个tensor来存放值的，比如y=f(x), operation是f(x), tensor存放的就是y，如果要获取y，就必须输入x
tensor的名字一般是 <operation>:<num>
可以通过 print(out.name) 来看看
假如之前的训练定义了如下图（模型），并保存：
[python] view plain copy
....  
bottom = layers.fully_connected(inputs=bottom, num_outputs=7, activation_fn=None, scope='logits_classifier')  
......  
prediction = tf.nn.softmax(logits, name='prob')  
......  
saver_path = './model/checkpoint/model.ckpt'  
saver = tf.train.Saver()  
config = tf.ConfigProto()  
config.gpu_options.allow_growth=True  
with tf.Session(config=config) as sess:  
    sess.run(init)  
...  
    saved_path = saver.save(sess,saver_path) # 这个保存了三个东西， .meta是图的结构， 还有两个是模型中变量的值  
...  

要想图结构和模型（恢复图结构，没错，从空白的代码段中恢复一个graph，就不需要重新定义图了）
[python] view plain copy
   meta_path = './model/checkpoint/model.ckpt.meta'  
   model_path = './model/checkpoint/model.ckpt'  
   saver = tf.train.import_meta_graph(meta_path) # 导入图  
     
   config = tf.ConfigProto()  
   config.gpu_options.allow_growth=True  
   with tf.Session(config=config) as sess:  
       saver.restore(sess, model_path) # 导入变量值  
       graph = tf.get_default_graph()  
       prob_op = graph.get_operation_by_name('prob') # 这个只是获取了operation， 至于有什么用还不知道  
prediction = graph.get_tensor_by_name('prob:0') # 获取之前prob那个操作的输出，即prediction  
print( ress.run(prediciton, feed_dict={...})) # 要想获取这个值，需要输入之前的placeholder （这里我编辑文章的时候是在with里面的，不知道为什么查看的时候就在外面了...）  
       print(sess.run(graph.get_tensor_by_name('logits_classifier/weights:0'))) # 这个就不需要feed了，因为这是之前train operation优化的变量，即模型的权重  
关于获取保存的模型中的tensor或者输出，还有一种办法就是用tf.add_to_collection()，
假如上面每次定义一次运算后，可以在后面添加tf.add_to_collection()：
[python] view plain copy
......  
bottom = layers.fully_connected(inputs=bottom, num_outputs=7, activation_fn=None, scope='logits_classifier')  
### add collection  
tf.add_to_collection('logits',bottom)  
......  
prediction = tf.nn.softmax(logits, name='prob')  
### add collection  
tf.add_to_collection('prob',prediction)  
......  
恢复模型后，通过tf.get_collection()来获取tensor：
[python] view plain copy
......  
x = tf.get_collection('inputs')[0]  
prob = tf.get_collection('prob')[0]  
print(x)  
print(prob)  
.....  
可以查看输出，效果是和上面get_tensor_by_name()一样的，注意get_collection(name)的name只是collection的name，tensor的名字还是原来的名字
得到了模型各个地方的tensor之后，要想获取该地方的参数或者输出的值，只需要通过sess.run()就可以了，参数可以直接run，中间的特征或者预测值需要通过feed_dict={}传递输入的值就行啦
具体就不费话了.....