tensorflow saver 保存和恢复指定 tensor的实例讲解
175 浏览量
2020-12-23
22:44:08
上传
评论
收藏 54KB PDF 举报
tensorflow saver 保存和恢复指定保存和恢复指定 tensor的实例讲解的实例讲解
在实践中经常会遇到这样的情况：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。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：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：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：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，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>
评论0
最新资源