您好,登錄后才能下訂單哦!
終于找到bug原因!記一下;還是不熟悉平臺的原因造成的!
Q:為什么會出現(xiàn)兩個模型對象在同一個文件中一起運行,當直接讀取他們分開運行時訓(xùn)練出來的模型會出錯,而且總是有一個正確,一個讀取錯誤? 而 直接在同一個文件又訓(xùn)練又重新加載模型預(yù)測不出錯,而且更詭異的是此時用分文件里的對象加載模型不會出錯?
model.py,里面含有 ModelV 和 ModelP,另外還有 modelP.py 和 modelV.py 分別只含有 ModelP 和 ModeV 這兩個對象,先使用 modelP.py 和 modelV.py 分別訓(xùn)練好模型,然后再在 model.py 里加載進來:
# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print(v.name) self.saver.restore(self.sess, self.save_path) print "ModelV restored." print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print v.name self.saver.restore(self.sess, self.save_path) print "ModelP restored." print 'p2', self.p2.eval(self.sess) print '---------------------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()
這里 tf.global_variables_initializer() 很關(guān)鍵! 盡管你是分別在對象 ModelP 和 ModelV 內(nèi)部分配和定義的 tf.Variable(),即 v1 v2 和 p1 p2,但是 對 tf 這個模塊而言, 這些都是全局變量,可以通過以下代碼查看所有的變量,你就會發(fā)現(xiàn)同一個文件中同時運行 ModelP 和 ModelV 在初始化之后都打印出了一樣的變量,這個是問題的關(guān)鍵所在:
all_vars = tf.trainable_variables() for v in all_vars: print(v.name)
錯誤。你可以交換 modelP 和 modelV 初始化的順序,看看錯誤信息的變化
v1:0 v2:0 p1:0 p2:0 ModelV restored. v2 77 v1:0 v2:0 p1:0 p2:0 W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v2 not found in checkpoint W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v1 not found in checkpoint
實際上,分開運行時,模型保存的參數(shù)是正確的,因為在一個模型里的Variable就只有 v1 v2 或者 p1 p2; 但是在一個文件同時運行的時候,模型參數(shù)實際上保存的是 v1 v2 p1 p2四個,因為在默認情況下,創(chuàng)建的Saver,會直接保存所有的參數(shù)。而 Saver.restore() 又是默認(無Variable參數(shù)列表時)按照已經(jīng)定義好的全局模型變量來加載對應(yīng)的參數(shù)值, 在進行 ModelV.predict時,按照順序(從debug可以看出,應(yīng)該是按照參數(shù)順序一次檢測)在模型文件中查找相應(yīng)的 key,此時能夠找到對應(yīng)的v1 v2,加載成功,但是在 ModelP.predict時,在model_p的模型文件中找不到 v1 和 v2,只有 p1 和 p2, 此時就會報錯;不過這里的 第一次加載 還有 p1 p2 找不到?jīng)]有報錯,解釋不通, 未完待續(xù)
Saver.save() 和 Saver.restore() 是一對, 分別只保存和加載模型的參數(shù), 但是模型的結(jié)構(gòu)怎么知道呢? 必須是你定義好了,而且要和保存的模型匹配才能加載;
如果想要在不定義模型的情況下直接加載出模型結(jié)構(gòu)和模型參數(shù)值,使用
# 加載 結(jié)構(gòu),即 模型參數(shù) 變量等 new_saver = tf.train.import_meta_graph("model_v/model.ckpt.meta") print "ModelV construct" all_vars = tf.trainable_variables() for v in all_vars: print v.name #print v.name,v.eval(self.sess) # v 都還未初始化,不能求值 # 加載模型 參數(shù)變量 的 值 new_saver.restore(self.sess, tf.train.latest_checkpoint('model_v/')) print "ModelV restored." all_vars = tf.trainable_variables() for v in all_vars: print v.name,v.eval(self.sess)
加載 結(jié)構(gòu),即 模型參數(shù) 變量等完成后,就會有變量了,但是不能訪問他的值,因為還未賦值,然后再restore一次即可得到值了
那么上述錯誤的解決方法就是這個改進版本的model.py;其實 tf.train.Saver 是可以帶參數(shù)的,他可以保存你想要保存的模型參數(shù),如果不帶參數(shù),很可能就會保存 tf.trainable_variables() 所有的variable,而 tf.trainable_variables()又是從 tf 全局得到的,因此只要在模型保存和加載時,構(gòu)造對應(yīng)的帶參數(shù)的tf.train.Saver即可,這樣就會保存和加載正確的模型了
# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.v1, self.v2]) self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): saver = tf.train.Saver([self.v1, self.v2]) all_vars = tf.trainable_variables() for v in all_vars: print v.name v_vars = [v for v in all_vars if v.name == 'v1:0' or v.name == 'v2:0'] print "ModelV restored." saver.restore(self.sess, self.save_path) for v in v_vars: print v.name,v.eval(self.sess) print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.p1, self.p2]) self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): saver = tf.train.Saver([self.p1, self.p2]) all_vars = tf.trainable_variables() p_vars = [v for v in all_vars if v.name == 'p1:0' or v.name == 'p2:0'] for v in all_vars: print v.name #print v.name,v.eval(self.sess) saver.restore(self.sess, self.save_path) print "ModelP restored." for p in p_vars: print p.name,p.eval(self.sess) print 'p2', self.p2.eval(self.sess) print '----------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()
小結(jié): 構(gòu)造的Saver 最好帶Variable參數(shù),這樣保證 保存和加載能夠正確執(zhí)行
以上這篇解決tensorflow模型參數(shù)保存和加載的問題就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。