tensorflow 保存好训练的模型，restore 后验证集的正确率很低

Posted 2023-05-03

用tensorflow bi-lstm 做序列标注，训练集与测试集的准确率都90%以上后，保存的session, 后做预测的时候，restore保存的模型，对相同的验证集做预测，准确率相比之前的低了不少，对训练集做测试，准确率也低了不少，这是什么原因，（我检查过训练保存时所有变量的值，与restore后所有变量的值是一致的）

没用过tensorflow，我从数据的角度想想
1、导入后随机看几个节点的权重参数，看看网络是不是正常保存了
2、是不是在数据归一化的时候第一次你归一化用的是test+train数据而第二次只用了test数据
3、网络里面可以用了一些有随机性的方法在比如随机采样之类的
4、用到了在线更新 参考技术A 遇到同样的问题，请问怎么解决的 参考技术B 请问一下解决了吗

转 tensorflow模型保存 与 加载

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。看完本文，相信你一定会有收获！

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：

saver.save(sess, ‘./checkpoint_dir/MyModel‘,global_step=1000)

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]

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

#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：

......
......
saver = tf.train.import_meta_graph(‘vgg.meta‘)
# 访问图
graph = tf.get_default_graph() 

#访问用于fine-tuning的output
fc7= graph.get_tensor_by_name(‘fc7:0‘)

#如果你想修改最后一层梯度，需要如下
fc7 = tf.stop_gradient(fc7) # It‘s an identity function
fc7_shape= fc7.get_shape().as_list()

new_outputs=2
weights = tf.Variable(tf.truncated_normal([fc7_shape[3], num_outputs], stddev=0.05))
biases = tf.Variable(tf.constant(0.05, shape=[num_outputs]))
output = tf.matmul(fc7, weights) + biases
pred = tf.nn.softmax(output)

# Now, you run this with fine-tuning data in sess.run()

 原文链接：
https://blog.csdn.net/huachao1001/article/details/78501928