来自:http://blog.csdn.net/ying86615791/article/details/72731372
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:
- ....
- 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)
- ...
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)
- meta_path = './model/checkpoint/model.ckpt.meta'
- model_path = './model/checkpoint/model.ckpt'
- saver = tf.train.import_meta_graph(meta_path)
-
- config = tf.ConfigProto()
- config.gpu_options.allow_growth=True
- with tf.Session(config=config) as sess:
- saver.restore(sess, model_path)
- graph = tf.get_default_graph()
- prob_op = graph.get_operation_by_name('prob')
- prediction = graph.get_tensor_by_name('prob:0')
- print( ress.run(prediciton, feed_dict={...}))
- print(sess.run(graph.get_tensor_by_name('logits_classifier/weights:0')))
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():
- ......
- bottom = layers.fully_connected(inputs=bottom, num_outputs=7, activation_fn=None, scope='logits_classifier')
-
- tf.add_to_collection('logits',bottom)
- ......
- prediction = tf.nn.softmax(logits, name='prob')
-
- tf.add_to_collection('prob',prediction)
- ......
恢复模型后,通过tf.get_collection()来获取tensor:
- ......
- 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
所有评论(0)