tensorflow
Salva e ripristina un modello in TensorFlow
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
emodel-500.meta
-
model-600
emodel-600.meta
-
model-700
emodel-700.meta
-
model-800
emodel-800.meta
-
model-900
emodel-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)