tensorflow从已经训练好的模型中，恢复(指定)权重(构建新变量、网络)并继续训练(finetuning)

本文主要是介绍tensorflow从已经训练好的模型中，恢复(指定)权重(构建新变量、网络)并继续训练(finetuning)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

之前已经写了一篇《Tensorflow保存模型，恢复模型，使用训练好的模型进行预测和提取中间输出（特征）》，里面主要讲恢复模型然后使用该模型

假如要保存或者恢复指定tensor，并且把保存的graph恢复(插入)到当前的graph中呢？

总的来说，目前我会的是两种方法，命名都是很关键！
两种方式保存模型，
1.保存所有tensor，即整张图的所有变量，
2.只保存指定scope的变量
两种方式恢复模型，
1.导入模型的graph，用该graph的saver来restore变量
2.在新的代码段中写好同样的模型（变量名称及scope的name要对应），用默认的graph的saver来restore指定scope的变量

两种保存方式：
1.保存整张图，所有变量

...
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...

2.保存图中的部分变量

...
init = tf.global_variables_initializer()
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensor
saver = tf.train.Saver(vgg_ref_vars)#初始化saver时，传入一个var_list的参数
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
writer.add_graph(sess.graph)
...
saved_path = saver.save(sess,saver_path)
...

两种恢复方式：
1.导入graph来恢复

...
vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件
vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件，里面是各个tensor的值
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中，返回导入graph的saver
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096]，获取输入的placeholder
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024]，获取要使用的tensor
"""
以上两个获取tensor的方式也可以为:
graph = tf.get_default_graph()
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
当然，前提是有tensor的名字
"""
...
init = tf.global_variables_initializer()
saver = tf.train.Saver() # 这个是当前新图的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
...

2.重写一样的graph，然后恢复指定scope的变量

def re_build():#重建保存的那个graph
with tf.variable_scope('vgg_feat_fc'): #没错，这个scope要和需要恢复模型中的scope对应
...
return ...
...
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope，其实第1个方法中，导入graph后，可以不用返回的vgg_saver，再新建一个指定var_list的vgg_saver就好了，恩，需要传入一个var_list的参数
...
init = tf.global_variables_initializer()
saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saver
saver = tf.train.Saver() # 这个是当前新图的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
...
saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
...

总结一下，这里的要点就是，在restore的时候，saver要和模型对应，如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错，提示key/tensor ... not found之类的错误;
写graph的时候，一定要注意写好scope和tensor的name，合理插入variable_scope;

最方便的方式还是，用第1种方式来保存模型，这样就不用重写代码段了，然后第1种方式恢复，不过为了稳妥，最好还是通过获取var_list，指定saver的var_list，妥妥的！

最新发现，用第1种方式恢复时，要记得当前的graph和保存的模型中没有重名的tensor，否则当前graph的tensor name可能不是那个name，可能在后面加了"_1"....-_-||

在恢复图基础上构建新的网络（变量）并训练(finetuning)（2017.11.9更新）

恢复模型graph和weights在上面已经说了，这里的关键点是怎样只恢复原图的权重 ，并且使optimizer只更新新构造变量（指定层、变量）。

（以下code与上面没联系）

"""1.Get input, output , saver and graph"""#从导入图中获取需要的东西
meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
saver_restore = tf.train.import_meta_graph(meta_path_restore) #获取导入图的saver，便于后面恢复
graph_restore = tf.get_default_graph() #此时默认图就是导入的图
#从导入图中获取需要的tensor
#1. 用collection来获取
input_x = tf.get_collection('inputs')[0]
input_is_training = tf.get_collection('is_training')[0]
output_feat_fused = tf.get_collection('feat_fused')[0]
#2. 用tensor的name来获取
input_y = graph_restore.get_tensor_by_name('label_exp:0')
print('Get tensors...')
print('inputs shape: {}'.format(input_x.get_shape().as_list()))
print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))
"""2.Build new variable for fine tuning"""#构造新的variables用于后面的finetuning
graph_restore.clear_collection('feat_fused') #删除以前的集合，假如finetuning后用新的代替原来的
graph_restore.clear_collection('prob')
#添加新的东西
if F_scale is not None and F_scale!=0:
print('F_scale is not None, value={}'.format(F_scale))
feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合
logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits"
"""3.Get acc and loss"""#构造损失
with tf.variable_scope('accuracy'):
accuracy,prediction = ...
with tf.variable_scope('loss'):
loss = ...
"""4.Build op for fine tuning"""
global_step = tf.Variable(0, trainable=False,name='global_step')
learning_rate = tf.train.exponential_decay(initial_lr,
global_step=global_step,
decay_steps=decay_steps,
staircase=True,
decay_rate=0.1)
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
var_list = tf.contrib.framework.get_variables('final_logits')#关键！获取指定scope下的变量
train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
"""5.Begin training"""
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
sess.run(init)
saver_restore.restore(sess, model_path_restore) #这里saver_restore对应导入图的saver，如果用上面新的saver的话会报错因为多出了一些新的变量在保存的模型中是没有那些权值的
sess.run(train_op, feed_dict)
.......