Ricerca…


introduzione

Tensorflow distingue tra salvare / ripristinare i valori correnti di tutte le variabili in un grafico e salvare / ripristinare la struttura del grafico reale. Per ripristinare il grafico, sei libero di usare le funzioni di Tensorflow o semplicemente di chiamare di nuovo il tuo codice, che ha costruito il grafico in primo luogo. Quando definisci il grafico, dovresti anche pensare a quale e come le variabili / operazioni dovrebbero essere recuperabili una volta che il grafico è stato salvato e ripristinato.

Osservazioni

Nella sezione precedente del modello di ripristino, se ho capito bene, si costruisce il modello e si ripristinano le variabili. Credo che la ricostruzione del modello non sia necessaria fintanto che si aggiungono i tensori / segnaposti pertinenti quando si salva usando tf.add_to_collection() . Per esempio:

tf.add_to_collection('cost_op', cost_op)

Successivamente, è possibile ripristinare il grafico salvato e accedere a cost_op utilizzando

with tf.Session() as sess:
    new_saver = tf.train.import_meta_graph('model.meta')` 
    new_saver.restore(sess, 'model')
    cost_op = tf.get_collection('cost_op')[0]

Anche se non si esegue tf.add_to_collection() , è possibile recuperare i tensori, ma il processo è un po 'più ingombrante e potrebbe essere necessario eseguire alcuni scavi per trovare i nomi corretti per le cose. Per esempio:

in uno script che costruisce un grafico di tensorflow, definiamo alcuni set di tensori lab_squeeze :

...
with tf.variable_scope("inputs"):
    y=tf.convert_to_tensor([[0,1],[1,0]])
    split_labels=tf.split(1,0,x,name='lab_split')
    split_labels=[tf.squeeze(i,name='lab_squeeze') for i in split_labels]
...
with tf.Session().as_default() as sess:
    saver=tf.train.Saver(sess,split_labels)
    saver.save("./checkpoint.chk")
    

possiamo ricordarli in seguito come segue:

with tf.Session() as sess:
    g=tf.get_default_graph()
    new_saver = tf.train.import_meta_graph('./checkpoint.chk.meta')` 
    new_saver.restore(sess, './checkpoint.chk')
    split_labels=['inputs/lab_squeeze:0','inputs/lab_squeeze_1:0','inputs/lab_squeeze_2:0']

    split_label_0=g.get_tensor_by_name('inputs/lab_squeeze:0') 
    split_label_1=g.get_tensor_by_name("inputs/lab_squeeze_1:0")

Ci sono diversi modi per trovare il nome di un tensore: puoi trovarlo nel tuo grafico sul tensore, oppure puoi cercarlo attraverso qualcosa come:

sess=tf.Session()
g=tf.get_default_graph()
...
x=g.get_collection_keys()
[i.name for j in x for i in g.get_collection(j)] # will list out most, if not all, tensors on the graph

Salvataggio del modello

Salvare un modello in tensorflow è abbastanza facile.

Supponiamo che tu abbia un modello lineare con input x e desideri prevedere un output y . Qui la perdita è l'errore quadratico medio (MSE). La dimensione del lotto è 16.

# Define the model
x = tf.placeholder(tf.float32, [16, 10])  # input
y = tf.placeholder(tf.float32, [16, 1])   # output

w = tf.Variable(tf.zeros([10, 1]), dtype=tf.float32)

res = tf.matmul(x, w)
loss = tf.reduce_sum(tf.square(res - y))

train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

Arriva l'oggetto Saver, che può avere più parametri (cf. doc ).

# Define the tf.train.Saver object
# (cf. params section for all the parameters)    
saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)

Infine formiamo il modello in un tf.Session() , per 1000 iterazioni. Salviamo il modello solo ogni 100 iterazioni qui.

# Start a session
max_steps = 1000
with tf.Session() as sess:
    # initialize the variables
    sess.run(tf.initialize_all_variables())

    for step in range(max_steps):
        feed_dict = {x: np.random.randn(16, 10), y: np.random.randn(16, 1)}  # dummy input
        _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)

        # Save the model every 100 iterations
        if step % 100 == 0:
            saver.save(sess, "./model", global_step=step)

Dopo aver eseguito questo codice, dovresti vedere gli ultimi 5 checkpoint nella tua directory:

  • model-500 e model-500.meta
  • model-600 e model-600.meta
  • model-700 e model-700.meta
  • model-800 e model-800.meta
  • model-900 e model-900.meta

Si noti che in questo esempio, mentre il saver salva effettivamente sia i valori attuali delle variabili come punto di controllo e la struttura del grafico ( *.meta ), nessuna cura specifica è stata presa wrt come recuperare esempio i segnaposto x ed y volta la il modello è stato restaurato. Ad esempio, se il ripristino avviene in qualsiasi altro luogo di questo script di formazione, può essere ingombrante per recuperare x e y dal grafico restaurata (soprattutto nei modelli più complessi). Per evitare ciò, date sempre nomi alle vostre variabili / segnaposto / ops o pensate a usare tf.collections come mostrato in una delle osservazioni.

Ripristino del modello

Anche il ripristino è abbastanza semplice e facile.

Ecco una comoda funzione di aiuto:

def restore_vars(saver, sess, chkpt_dir):
    """ Restore saved net, global score and step, and epsilons OR
    create checkpoint directory for later storage. """
    sess.run(tf.initialize_all_variables())

    checkpoint_dir = chkpt_dir 

    if not os.path.exists(checkpoint_dir):
        try:
            print("making checkpoint_dir")
            os.makedirs(checkpoint_dir)
            return False
        except OSError:
            raise

    path = tf.train.get_checkpoint_state(checkpoint_dir)
    print("path = ",path)
    if path is None:
        return False
    else:
        saver.restore(sess, path.model_checkpoint_path)
        return True

Codice principale:

path_to_saved_model = './'
max_steps = 1

# Start a session
with tf.Session() as sess:

    ... define the model here ...

    print("define the param saver")
    saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)

    # restore session if there is a saved checkpoint
    print("restoring model")
    restored = restore_vars(saver, sess, path_to_saved_model)
    print("model restored ",restored)

    # Now continue training if you so choose

    for step in range(max_steps):

        # do an update on the model (not needed)
        loss_value = sess.run([loss])
        # Now save the model
        saver.save(sess, "./model", global_step=step)


Modified text is an extract of the original Stack Overflow Documentation
Autorizzato sotto CC BY-SA 3.0
Non affiliato con Stack Overflow