with train seq2seq neural network machine learning guide python tensorflow machine-learning model

python - train - Tensorflow: ¿como guardar/restaurar un modelo?



tensorflow seq2seq (21)

Docs

Crearon un tutorial exhaustivo y útil -> https://www.tensorflow.org/guide/saved_model

De los documentos:

Salvar

# Create some variables. v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer) v2 = tf.get_variable("v2", shape=[5], initializer = tf.zeros_initializer) inc_v1 = v1.assign(v1+1) dec_v2 = v2.assign(v2-1) # Add an op to initialize the variables. init_op = tf.global_variables_initializer() # Add ops to save and restore all the variables. saver = tf.train.Saver() # Later, launch the model, initialize the variables, do some work, and save the # variables to disk. with tf.Session() as sess: sess.run(init_op) # Do some work with the model. inc_v1.op.run() dec_v2.op.run() # Save the variables to disk. save_path = saver.save(sess, "/tmp/model.ckpt") print("Model saved in path: %s" % save_path)

Restaurar

tf.reset_default_graph() # Create some variables. v1 = tf.get_variable("v1", shape=[3]) v2 = tf.get_variable("v2", shape=[5]) # Add ops to save and restore all the variables. saver = tf.train.Saver() # Later, launch the model, use the saver to restore variables from disk, and # do some work with the model. with tf.Session() as sess: # Restore variables from disk. saver.restore(sess, "/tmp/model.ckpt") print("Model restored.") # Check the values of the variables print("v1 : %s" % v1.eval()) print("v2 : %s" % v2.eval())

Tensorflow 2

Esto todavía es beta, por lo que desaconsejaría por ahora. Si aún desea seguir ese camino, aquí está la guía de uso de tf.saved_model

Tensorflow <2

simple_save

Muchas buenas respuestas, para completar simple_save mis 2 centavos: simple_save . También un ejemplo de código independiente que usa la API tf.data.Dataset .

Python 3; Tensorflow 1.14

import tensorflow as tf from tensorflow.saved_model import tag_constants with tf.Graph().as_default(): with tf.Session() as sess: ... # Saving inputs = { "batch_size_placeholder": batch_size_placeholder, "features_placeholder": features_placeholder, "labels_placeholder": labels_placeholder, } outputs = {"prediction": model_output} tf.saved_model.simple_save( sess, ''path/to/your/location/'', inputs, outputs )

Restaurando:

graph = tf.Graph() with restored_graph.as_default(): with tf.Session() as sess: tf.saved_model.loader.load( sess, [tag_constants.SERVING], ''path/to/your/location/'', ) batch_size_placeholder = graph.get_tensor_by_name(''batch_size_placeholder:0'') features_placeholder = graph.get_tensor_by_name(''features_placeholder:0'') labels_placeholder = graph.get_tensor_by_name(''labels_placeholder:0'') prediction = restored_graph.get_tensor_by_name(''dense/BiasAdd:0'') sess.run(prediction, feed_dict={ batch_size_placeholder: some_value, features_placeholder: some_other_value, labels_placeholder: another_value })

Ejemplo independiente

Publicación original del blog

El siguiente código genera datos aleatorios por el bien de la demostración.

  1. Comenzamos creando los marcadores de posición. Retendrán los datos en tiempo de ejecución. A partir de ellos, creamos el Dataset y luego su Iterator . Obtenemos el tensor generado por el iterador, llamado input_tensor que servirá como entrada para nuestro modelo.
  2. El modelo en sí está construido a partir de input_tensor : un RNN bidireccional basado en GRU seguido de un clasificador denso. Porque, porque no.
  3. La pérdida es un softmax_cross_entropy_with_logits , optimizado con Adam . Después de 2 épocas (de 2 lotes cada una), guardamos el modelo "entrenado" con tf.saved_model.simple_save . Si ejecuta el código tal como está, el modelo se guardará en una carpeta llamada simple/ en su directorio de trabajo actual.
  4. En un nuevo gráfico, luego restauramos el modelo guardado con tf.saved_model.loader.load . Tomamos los marcadores de posición y los logits con graph.get_tensor_by_name y la operación de inicialización graph.get_operation_by_name con graph.get_operation_by_name .
  5. Por último, ejecutamos una inferencia para ambos lotes en el conjunto de datos y verificamos que el modelo guardado y restaurado produzca los mismos valores. ¡Ellas hacen!

Código:

import os import shutil import numpy as np import tensorflow as tf from tensorflow.python.saved_model import tag_constants def model(graph, input_tensor): """Create the model which consists of a bidirectional rnn (GRU(10)) followed by a dense classifier Args: graph (tf.Graph): Tensors'' graph input_tensor (tf.Tensor): Tensor fed as input to the model Returns: tf.Tensor: the model''s output layer Tensor """ cell = tf.nn.rnn_cell.GRUCell(10) with graph.as_default(): ((fw_outputs, bw_outputs), (fw_state, bw_state)) = tf.nn.bidirectional_dynamic_rnn( cell_fw=cell, cell_bw=cell, inputs=input_tensor, sequence_length=[10] * 32, dtype=tf.float32, swap_memory=True, scope=None) outputs = tf.concat((fw_outputs, bw_outputs), 2) mean = tf.reduce_mean(outputs, axis=1) dense = tf.layers.dense(mean, 5, activation=None) return dense def get_opt_op(graph, logits, labels_tensor): """Create optimization operation from model''s logits and labels Args: graph (tf.Graph): Tensors'' graph logits (tf.Tensor): The model''s output without activation labels_tensor (tf.Tensor): Target labels Returns: tf.Operation: the operation performing a stem of Adam optimizer """ with graph.as_default(): with tf.variable_scope(''loss''): loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits( logits=logits, labels=labels_tensor, name=''xent''), name="mean-xent" ) with tf.variable_scope(''optimizer''): opt_op = tf.train.AdamOptimizer(1e-2).minimize(loss) return opt_op if __name__ == ''__main__'': # Set random seed for reproducibility # and create synthetic data np.random.seed(0) features = np.random.randn(64, 10, 30) labels = np.eye(5)[np.random.randint(0, 5, (64,))] graph1 = tf.Graph() with graph1.as_default(): # Random seed for reproducibility tf.set_random_seed(0) # Placeholders batch_size_ph = tf.placeholder(tf.int64, name=''batch_size_ph'') features_data_ph = tf.placeholder(tf.float32, [None, None, 30], ''features_data_ph'') labels_data_ph = tf.placeholder(tf.int32, [None, 5], ''labels_data_ph'') # Dataset dataset = tf.data.Dataset.from_tensor_slices((features_data_ph, labels_data_ph)) dataset = dataset.batch(batch_size_ph) iterator = tf.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes) dataset_init_op = iterator.make_initializer(dataset, name=''dataset_init'') input_tensor, labels_tensor = iterator.get_next() # Model logits = model(graph1, input_tensor) # Optimization opt_op = get_opt_op(graph1, logits, labels_tensor) with tf.Session(graph=graph1) as sess: # Initialize variables tf.global_variables_initializer().run(session=sess) for epoch in range(3): batch = 0 # Initialize dataset (could feed epochs in Dataset.repeat(epochs)) sess.run( dataset_init_op, feed_dict={ features_data_ph: features, labels_data_ph: labels, batch_size_ph: 32 }) values = [] while True: try: if epoch < 2: # Training _, value = sess.run([opt_op, logits]) print(''Epoch {}, batch {} | Sample value: {}''.format(epoch, batch, value[0])) batch += 1 else: # Final inference values.append(sess.run(logits)) print(''Epoch {}, batch {} | Final inference | Sample value: {}''.format(epoch, batch, values[-1][0])) batch += 1 except tf.errors.OutOfRangeError: break # Save model state print(''/nSaving...'') cwd = os.getcwd() path = os.path.join(cwd, ''simple'') shutil.rmtree(path, ignore_errors=True) inputs_dict = { "batch_size_ph": batch_size_ph, "features_data_ph": features_data_ph, "labels_data_ph": labels_data_ph } outputs_dict = { "logits": logits } tf.saved_model.simple_save( sess, path, inputs_dict, outputs_dict ) print(''Ok'') # Restoring graph2 = tf.Graph() with graph2.as_default(): with tf.Session(graph=graph2) as sess: # Restore saved values print(''/nRestoring...'') tf.saved_model.loader.load( sess, [tag_constants.SERVING], path ) print(''Ok'') # Get restored placeholders labels_data_ph = graph2.get_tensor_by_name(''labels_data_ph:0'') features_data_ph = graph2.get_tensor_by_name(''features_data_ph:0'') batch_size_ph = graph2.get_tensor_by_name(''batch_size_ph:0'') # Get restored model output restored_logits = graph2.get_tensor_by_name(''dense/BiasAdd:0'') # Get dataset initializing operation dataset_init_op = graph2.get_operation_by_name(''dataset_init'') # Initialize restored dataset sess.run( dataset_init_op, feed_dict={ features_data_ph: features, labels_data_ph: labels, batch_size_ph: 32 } ) # Compute inference for both batches in dataset restored_values = [] for i in range(2): restored_values.append(sess.run(restored_logits)) print(''Restored values: '', restored_values[i][0]) # Check if original inference and restored inference are equal valid = all((v == rv).all() for v, rv in zip(values, restored_values)) print(''/nInferences match: '', valid)

Esto imprimirá:

$ python3 save_and_restore.py Epoch 0, batch 0 | Sample value: [-0.13851789 -0.3087595 0.12804556 0.20013677 -0.08229901] Epoch 0, batch 1 | Sample value: [-0.00555491 -0.04339041 -0.05111827 -0.2480045 -0.00107776] Epoch 1, batch 0 | Sample value: [-0.19321944 -0.2104792 -0.00602257 0.07465433 0.11674127] Epoch 1, batch 1 | Sample value: [-0.05275984 0.05981954 -0.15913513 -0.3244143 0.10673307] Epoch 2, batch 0 | Final inference | Sample value: [-0.26331693 -0.13013336 -0.12553 -0.04276478 0.2933622 ] Epoch 2, batch 1 | Final inference | Sample value: [-0.07730117 0.11119192 -0.20817074 -0.35660955 0.16990358] Saving... INFO:tensorflow:Assets added to graph. INFO:tensorflow:No assets to write. INFO:tensorflow:SavedModel written to: b''/some/path/simple/saved_model.pb'' Ok Restoring... INFO:tensorflow:Restoring parameters from b''/some/path/simple/variables/variables'' Ok Restored values: [-0.26331693 -0.13013336 -0.12553 -0.04276478 0.2933622 ] Restored values: [-0.07730117 0.11119192 -0.20817074 -0.35660955 0.16990358] Inferences match: True

Después de entrenar un modelo en Tensorflow:

  1. ¿Cómo se guarda el modelo entrenado?
  2. ¿Cómo restaurar más tarde este modelo guardado?

Como se describe en el número 6255 :

use ''**./**model_name.ckpt'' saver.restore(sess,''./my_model_final.ckpt'')

en vez de

saver.restore(''my_model_final.ckpt'')

Donde quiera guardar el modelo,

self.saver = tf.train.Saver() with tf.Session() as sess: sess.run(tf.global_variables_initializer()) ... self.saver.save(sess, filename)

Asegúrese de que todos tf.Variable tengan nombres, porque es posible que desee restaurarlos más tarde utilizando sus nombres. Y donde quieres predecir,

saver = tf.train.import_meta_graph(filename) name = ''name given when you saved the file'' with tf.Session() as sess: saver.restore(sess, name) print(sess.run(''W1:0'')) #example to retrieve by variable name

Asegúrese de que el protector se ejecute dentro de la sesión correspondiente. Recuerde que, si utiliza el tf.train.latest_checkpoint(''./'') , solo se utilizará el último punto de control.

Estoy en la versión:

tensorflow (1.13.1) tensorflow-gpu (1.13.1)

Manera simple es

Salvar:

model.save("model.h5")

Restaurar:

model = tf.keras.models.load_model("model.h5")

Para tensorflow 2.0 , es tan simple como

saver = tf.train.Saver() saver.save(sess, ''path of save/fileName.ckpt'')

Para restaurar:

saver = tf.train.Saver() saver.restore(sess, tf.train.latest_checkpoint(''path of save/'') sess.run(....)

Puede guardar las variables en la red usando

# Save the model model.save(''path_to_my_model.h5'')

Para restaurar la red para su reutilización posterior o en otro script, use:

new_model = tensorflow.keras.models.load_model(''path_to_my_model.h5'')

Puntos importantes:

  1. sess debe ser igual entre la primera y las últimas ejecuciones (estructura coherente).
  2. saver.restore necesita la ruta de la carpeta de los archivos guardados, no una ruta de archivo individual.

Según la nueva versión de Tensorflow, tf.train.Checkpoint es la forma preferible de guardar y restaurar un modelo:

Checkpoint.save y Checkpoint.restore escribir y leer puntos de control basados ​​en objetos, en contraste con tf.train.Saver que escribe y lee puntos de control basados ​​en variables.name. Los puntos de verificación basados ​​en objetos guardan un gráfico de dependencias entre los objetos de Python (Capas, Optimizadores, Variables, etc.) con bordes con nombre, y este gráfico se usa para unir variables al restaurar un punto de control. Puede ser más robusto a los cambios en el programa Python, y ayuda a admitir restauración en crear para variables cuando se ejecuta con entusiasmo. Prefiero tf.train.Checkpoint sobre tf.train.Saver nuevo código .

Aquí hay un ejemplo:

import tensorflow as tf import os tf.enable_eager_execution() checkpoint_directory = "/tmp/training_checkpoints" checkpoint_prefix = os.path.join(checkpoint_directory, "ckpt") checkpoint = tf.train.Checkpoint(optimizer=optimizer, model=model) status = checkpoint.restore(tf.train.latest_checkpoint(checkpoint_directory)) for _ in range(num_training_steps): optimizer.minimize( ... ) # Variables will be restored on creation. status.assert_consumed() # Optional sanity checks. checkpoint.save(file_prefix=checkpoint_prefix)

Más información y ejemplo aquí.

Todas las respuestas aquí son geniales, pero quiero agregar dos cosas.

Primero, para elaborar la respuesta de @ user7505159, puede ser importante agregar "./" al principio del nombre del archivo que está restaurando.

Por ejemplo, puede guardar un gráfico sin "./" en el nombre del archivo así:

# Some graph defined up here with specific names saver = tf.train.Saver() save_file = ''model.ckpt'' with tf.Session() as sess: sess.run(tf.global_variables_initializer()) saver.save(sess, save_file)

Pero para restaurar el gráfico, es posible que deba anteponer un "./" al nombre_archivo:

# Same graph defined up here saver = tf.train.Saver() save_file = ''./'' + ''model.ckpt'' # String addition used for emphasis with tf.Session() as sess: sess.run(tf.global_variables_initializer()) saver.restore(sess, save_file)

No siempre necesitará el "./", pero puede causar problemas dependiendo de su entorno y versión de TensorFlow.

También quiere mencionar que sess.run(tf.global_variables_initializer()) puede ser importante antes de restaurar la sesión.

Si recibe un error con respecto a las variables no inicializadas al intentar restaurar una sesión guardada, asegúrese de incluir sess.run(tf.global_variables_initializer()) antes de la saver.restore(sess, save_file) línea. Puede ahorrarte un dolor de cabeza.

Use tf.train.Saver para guardar un modelo, remerber, necesita especificar var_list, si desea reducir el tamaño del modelo. Val_list puede ser tf.trainable_variables o tf.global_variables.

Aquí está mi solución simple para los dos casos básicos que difieren en si desea cargar el gráfico del archivo o compilarlo durante el tiempo de ejecución.

Esta respuesta es válida para Tensorflow 0.12+ (incluido 1.0).

Reconstruyendo el gráfico en código

Ahorro

graph = ... # build the graph saver = tf.train.Saver() # create the saver after the graph with ... as sess: # your session object saver.save(sess, ''my-model'')

Cargando

graph = ... # build the graph saver = tf.train.Saver() # create the saver after the graph with ... as sess: # your session object saver.restore(sess, tf.train.latest_checkpoint(''./'')) # now you can use the graph, continue training or whatever

Cargando también el gráfico desde un archivo

Cuando utilice esta técnica, asegúrese de que todas sus capas / variables hayan establecido explícitamente nombres únicos. De lo contrario, Tensorflow hará que los nombres sean únicos y, por lo tanto, serán diferentes de los nombres almacenados en el archivo. No es un problema en la técnica anterior, porque los nombres están "destrozados" de la misma manera tanto en la carga como en el almacenamiento.

Ahorro

graph = ... # build the graph for op in [ ... ]: # operators you want to use after restoring the model tf.add_to_collection(''ops_to_restore'', op) saver = tf.train.Saver() # create the saver after the graph with ... as sess: # your session object saver.save(sess, ''my-model'')

Cargando

with ... as sess: # your session object saver = tf.train.import_meta_graph(''my-model.meta'') saver.restore(sess, tf.train.latest_checkpoint(''./'')) ops = tf.get_collection(''ops_to_restore'') # here are your operators in the same order in which you saved them to the collection

Como dijo Yaroslav, puede piratear la restauración desde un graph_def y un punto de control importando el gráfico, creando variables manualmente y luego utilizando un protector.

Implementé esto para mi uso personal, así que pensé en compartir el código aquí.

Enlace: https://gist.github.com/nikitakit/6ef3b72be67b86cb7868

(Esto es, por supuesto, un truco, y no hay garantía de que los modelos guardados de esta manera sigan siendo legibles en futuras versiones de TensorFlow).

El modelo tiene dos partes, la definición del modelo, guardada por Supervisor como graph.pbtxt en el directorio del modelo y los valores numéricos de los tensores, guardados en archivos de punto de control como model.ckpt-1003418 .

La definición del modelo se puede restaurar usando tf.import_graph_def , y los pesos se restauran usando Saver .

Sin embargo, Saver utiliza una lista especial de variables de la colección que se adjunta al modelo Graph, y esta colección no se inicializa usando import_graph_def, por lo que no puede usar las dos juntas en este momento (está en nuestra hoja de ruta para solucionarlo). Por ahora, debe usar el enfoque de Ryan Sepassi: construir manualmente un gráfico con nombres de nodo idénticos y usar Saver para cargar los pesos en él.

(Alternativamente, puede hackearlo usando import_graph_def , creando variables manualmente y usando tf.add_to_collection(tf.GraphKeys.VARIABLES, variable) para cada variable, luego usando Saver )

En (y después) TensorFlow versión 0.11.0RC1, puede guardar y restaurar su modelo directamente llamando a tf.train.export_meta_graph y tf.train.import_meta_graph acuerdo con https://www.tensorflow.org/programmers_guide/meta_graph .

Guardar el modelo

w1 = tf.Variable(tf.truncated_normal(shape=[10]), name=''w1'') w2 = tf.Variable(tf.truncated_normal(shape=[20]), name=''w2'') tf.add_to_collection(''vars'', w1) tf.add_to_collection(''vars'', w2) saver = tf.train.Saver() sess = tf.Session() sess.run(tf.global_variables_initializer()) saver.save(sess, ''my-model'') # `save` method will call `export_meta_graph` implicitly. # you will get saved graph files:my-model.meta

Restaurar el modelo

sess = tf.Session() new_saver = tf.train.import_meta_graph(''my-model.meta'') new_saver.restore(sess, tf.train.latest_checkpoint(''./'')) all_vars = tf.get_collection(''vars'') for v in all_vars: v_ = sess.run(v) print(v_)

En la mayoría de los casos, guardar y restaurar desde el disco usando un tf.train.Saver es su mejor opción:

... # build your model saver = tf.train.Saver() with tf.Session() as sess: ... # train the model saver.save(sess, "/tmp/my_great_model") with tf.Session() as sess: saver.restore(sess, "/tmp/my_great_model") ... # use the model

También puede guardar / restaurar la estructura del gráfico en sí (consulte la https://www.tensorflow.org/programmers_guide/meta_graph para más detalles). Por defecto, el Saver guarda la estructura del gráfico en un archivo .meta . Puede llamar a import_meta_graph() para restaurarlo. Restaura la estructura del gráfico y devuelve un Saver que puede usar para restaurar el estado del modelo:

saver = tf.train.import_meta_graph("/tmp/my_great_model.meta") with tf.Session() as sess: saver.restore(sess, "/tmp/my_great_model") ... # use the model

Sin embargo, hay casos en los que necesita algo mucho más rápido. Por ejemplo, si implementa una detención temprana, desea guardar puntos de control cada vez que el modelo mejora durante el entrenamiento (según lo medido en el conjunto de validación), luego, si no hay progreso durante algún tiempo, desea volver al mejor modelo. Si guarda el modelo en el disco cada vez que mejora, ralentizará enormemente el entrenamiento. El truco es guardar los estados variables en la memoria , luego restaurarlos más tarde:

... # build your model # get a handle on the graph nodes we need to save/restore the model graph = tf.get_default_graph() gvars = graph.get_collection(tf.GraphKeys.GLOBAL_VARIABLES) assign_ops = [graph.get_operation_by_name(v.op.name + "/Assign") for v in gvars] init_values = [assign_op.inputs[1] for assign_op in assign_ops] with tf.Session() as sess: ... # train the model # when needed, save the model state to memory gvars_state = sess.run(gvars) # when needed, restore the model state feed_dict = {init_value: val for init_value, val in zip(init_values, gvars_state)} sess.run(assign_ops, feed_dict=feed_dict)

Una explicación rápida: cuando crea una variable X , TensorFlow crea automáticamente una operación de asignación X/Assign para establecer el valor inicial de la variable. En lugar de crear marcadores de posición y operaciones de asignación adicionales (lo que haría que el gráfico fuera desordenado), solo usamos estas operaciones de asignación existentes. La primera entrada de cada asignación op es una referencia a la variable que se supone que debe inicializar, y la segunda entrada ( assign_op.inputs[1] ) es el valor inicial. Entonces, para establecer cualquier valor que queramos (en lugar del valor inicial), necesitamos usar un feed_dict y reemplazar el valor inicial. Sí, TensorFlow le permite alimentar un valor para cualquier operación, no solo para marcadores de posición, por lo que funciona bien.

Estoy mejorando mi respuesta para agregar más detalles para guardar y restaurar modelos.

En (y después) Tensorflow versión 0.11 :

Guarda el modelo:

import tensorflow as tf #Prepare to feed input, i.e. feed_dict and placeholders w1 = tf.placeholder("float", name="w1") w2 = tf.placeholder("float", name="w2") b1= tf.Variable(2.0,name="bias") feed_dict ={w1:4,w2:8} #Define a test operation that we will restore w3 = tf.add(w1,w2) w4 = tf.multiply(w3,b1,name="op_to_restore") sess = tf.Session() sess.run(tf.global_variables_initializer()) #Create a saver object which will save all the variables saver = tf.train.Saver() #Run the operation by feeding input print sess.run(w4,feed_dict) #Prints 24 which is sum of (w1+w2)*b1 #Now, save the graph saver.save(sess, ''my_test_model'',global_step=1000)

Restaurar el modelo:

import tensorflow as tf sess=tf.Session() #First let''s load meta graph and restore weights saver = tf.train.import_meta_graph(''my_test_model-1000.meta'') saver.restore(sess,tf.train.latest_checkpoint(''./'')) # Access saved Variables directly print(sess.run(''bias:0'')) # This will print 2, which is the value of bias that we saved # Now, let''s access and create placeholders variables and # create feed-dict to feed new data 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} #Now, access the op that you want to run. op_to_restore = graph.get_tensor_by_name("op_to_restore:0") print sess.run(op_to_restore,feed_dict) #This will print 60 which is calculated

Este y algunos casos de uso más avanzados se han explicado muy bien aquí.

Un tutorial rápido y completo para guardar y restaurar modelos de Tensorflow

Mi entorno: Python 3.6, Tensorflow 1.3.0

Aunque ha habido muchas soluciones, la mayoría de ellas se basa en tf.train.Saver . Cuando .ckpt un .ckpt guardado por Saver , tenemos que redefinir la red de tensorflow o usar un nombre extraño y difícil de recordar, por ejemplo, ''placehold_0:0'' , ''dense/Adam/Weight:0'' . Aquí recomiendo usar tf.saved_model , un ejemplo más simple que se muestra a continuación, puede obtener más información al servir un modelo de TensorFlow :

Guarda el modelo:

import tensorflow as tf # define the tensorflow network and do some trains x = tf.placeholder("float", name="x") w = tf.Variable(2.0, name="w") b = tf.Variable(0.0, name="bias") h = tf.multiply(x, w) y = tf.add(h, b, name="y") sess = tf.Session() sess.run(tf.global_variables_initializer()) # save the model export_path = ''./savedmodel'' builder = tf.saved_model.builder.SavedModelBuilder(export_path) tensor_info_x = tf.saved_model.utils.build_tensor_info(x) tensor_info_y = tf.saved_model.utils.build_tensor_info(y) prediction_signature = ( tf.saved_model.signature_def_utils.build_signature_def( inputs={''x_input'': tensor_info_x}, outputs={''y_output'': tensor_info_y}, method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)) builder.add_meta_graph_and_variables( sess, [tf.saved_model.tag_constants.SERVING], signature_def_map={ tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: prediction_signature }, ) builder.save()

Cargue el modelo:

import tensorflow as tf sess=tf.Session() signature_key = tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY input_key = ''x_input'' output_key = ''y_output'' export_path = ''./savedmodel'' meta_graph_def = tf.saved_model.loader.load( sess, [tf.saved_model.tag_constants.SERVING], export_path) signature = meta_graph_def.signature_def x_tensor_name = signature[signature_key].inputs[input_key].name y_tensor_name = signature[signature_key].outputs[output_key].name x = sess.graph.get_tensor_by_name(x_tensor_name) y = sess.graph.get_tensor_by_name(y_tensor_name) y_out = sess.run(y, {x: 3.0})

Para la versión TensorFlow <0.11.0RC1:

Los puntos de control guardados contienen valores para las Variable en su modelo, no para el modelo / gráfico en sí, lo que significa que el gráfico debe ser el mismo cuando restaure el punto de control.

Aquí hay un ejemplo para una regresión lineal donde hay un ciclo de entrenamiento que guarda puntos de control de variables y una sección de evaluación que restaurará las variables guardadas en una ejecución anterior y calculará predicciones. Por supuesto, también puede restaurar variables y continuar entrenando si lo desea.

x = tf.placeholder(tf.float32) y = tf.placeholder(tf.float32) w = tf.Variable(tf.zeros([1, 1], dtype=tf.float32)) b = tf.Variable(tf.ones([1, 1], dtype=tf.float32)) y_hat = tf.add(b, tf.matmul(x, w)) ...more setup for optimization and what not... saver = tf.train.Saver() # defaults to saving all variables - in this case w and b with tf.Session() as sess: sess.run(tf.initialize_all_variables()) if FLAGS.train: for i in xrange(FLAGS.training_steps): ...training loop... if (i + 1) % FLAGS.checkpoint_steps == 0: saver.save(sess, FLAGS.checkpoint_dir + ''model.ckpt'', global_step=i+1) else: # Here''s where you''re restoring the variables w and b. # Note that the graph is exactly as it was when the variables were # saved in a prior training run. ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir) if ckpt and ckpt.model_checkpoint_path: saver.restore(sess, ckpt.model_checkpoint_path) else: ...no checkpoint found... # Now you can run the model to get predictions batch_x = ...load some data... predictions = sess.run(y_hat, feed_dict={x: batch_x})

Aquí están los docs para Variable s, que cubren el almacenamiento y la restauración. Y aquí están los docs para el Saver .

Si se trata de un modelo guardado internamente, solo debe especificar un restaurador para todas las variables como

restorer = tf.train.Saver(tf.all_variables())

y úselo para restaurar variables en una sesión actual:

restorer.restore(self._sess, model_file)

Para el modelo externo, debe especificar la asignación de los nombres de sus variables a sus nombres de variables. Puede ver los nombres de las variables del modelo con el comando

python /path/to/tensorflow/tensorflow/python/tools/inspect_checkpoint.py --file_name=/path/to/pretrained_model/model.ckpt

El script inspect_checkpoint.py se puede encontrar en la carpeta ''./tensorflow/python/tools'' de la fuente de Tensorflow.

Para especificar la asignación, puede usar mi Tensorflow-Worklab , que contiene un conjunto de clases y scripts para entrenar y volver a entrenar diferentes modelos. Incluye un ejemplo de reciclaje de modelos de ResNet, que se encuentra here

Si usa tf.train.MonitoredTrainingSession como sesión predeterminada, no necesita agregar código adicional para guardar / restaurar cosas. Simplemente pase un nombre de directorio de punto de control al constructor de MonitoredTrainingSession, usará ganchos de sesión para manejarlos.

También puede consultar examples en TensorFlow/skflow , que ofrece métodos de save y restore que pueden ayudarlo a administrar fácilmente sus modelos. Tiene parámetros que también puede controlar con qué frecuencia desea hacer una copia de seguridad de su modelo.

También puedes tomar este camino más fácil.

Paso 1: inicializa todas tus variables

W1 = tf.Variable(tf.truncated_normal([6, 6, 1, K], stddev=0.1), name="W1") B1 = tf.Variable(tf.constant(0.1, tf.float32, [K]), name="B1") Similarly, W2, B2, W3, .....

Paso 2: guarde la sesión dentro de Model Saver y guárdela

model_saver = tf.train.Saver() # Train the model and save it in the end model_saver.save(session, "saved_models/CNN_New.ckpt")

Paso 3: restaurar el modelo

with tf.Session(graph=graph_cnn) as session: model_saver.restore(session, "saved_models/CNN_New.ckpt") print("Model restored.") print(''Initialized'')

Paso 4: verifica tu variable

W1 = session.run(W1) print(W1)

Mientras se ejecuta en una instancia de Python diferente, use

with tf.Session() as sess: # Restore latest checkpoint saver.restore(sess, tf.train.latest_checkpoint(''saved_model/.'')) # Initalize the variables sess.run(tf.global_variables_initializer()) # Get default graph (supply your custom graph if you have one) graph = tf.get_default_graph() # It will give tensor object W1 = graph.get_tensor_by_name(''W1:0'') # To get the value (numpy array) W1_value = session.run(W1)