tfrecords文件打开后缀tf文件用啥打开

转载

锦绣前程未央 2024-05-15 10:10:21

文章标签 tfrecords文件打开 ML Tensorflow 迭代数据 文章分类 物联网

TensorFlow模型是什么样的？

如何保存TensorFlow模型？

如何恢复预测/转移学习的TensorFlow模型？

如何使用导入的预先训练的模型进行微调和修改?

这个教程假设你已经对神经网络有了一定的了解。如果不了解的话请查阅相关资料。

1. 什么是TensorFlow模型？

训练了一个神经网络之后，我们希望保存它以便将来使用。那么什么是TensorFlow模型?Tensorflow模型主要包含我们所培训的网络参数的网络设计或图形和值。因此，Tensorflow模型有四个主要的文件:

checkpoint
model.ckpt-0.data-00000-of-00001
model.ckpt-0.index
model.ckpt-0.meta

1.1 checkpoint文本文件

文本文件通过文本编译器件（vim，gedit等）可查看内容记录保存了那些checkpoint，它只保存的最新保存的checkpoint文件的记录。

1.2 meta文件

这是一个协议缓冲区，它保存了完整的Tensorflow图形;即所有变量、操作、集合等，该文件以.meta作为扩展名,。model.ckpt-0.meta文件保存的是图结构，通俗地讲就是神经网络的网络结构。一般而言网络结构是不会发生改变，所以可以只保存一个就行了。我们可以使用下面的代码只在第一次保存meta文件：

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

并且还可以使用tf.train.import_meta_graph(‘model.ckpt-0.meta’)能够导入图结构。

1.3 data文件

model.ckpt-0.data-00000-of-00001

数据文件，保存的是网络的权重、偏差、梯度和其他所有变量的值等等

1.4 index文件

model.ckpt-0.index是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等等。 Note：因此，为了总结，对于大于0.10的版本，Tensorflow模型如下:

tfrecords文件打开后缀tf文件用啥打开_迭代

在0.11之前的Tensorflow模型仅包含三个文件:

model.meta
model.ckpt
checkpoint

现在我们已经知道了Tensorflow模型的样子，接下来我们来看看TensorFlow是如何保存模型的。

2. 保存TensorFlow模型

比方说，你正在训练一个卷积神经网络来进行图像分类。作为一种标准的练习，你要时刻关注损失和准确率。一旦看到网络已经收敛，我们可以暂停模型的训练。在完成培训之后，我们希望将所有的变量和网络结构保存到一个文件中，以便将来使用。因此，在Tensorflow中，我们希望保存所有参数的图和值，我们将创建一个tf.train.Saver()类的实例

saver = tf.train.Saver()

请记住，Tensorflow变量仅在会话中存在。因此，您必须在一个会话中保存模型，调用您刚刚创建的save方法。

1. saver.save(sess, 'my-test-model')

这里，sess是会话对象，而'my-test-model'是保存的模型的名称。让我们来看一个完整的例子:

如果我们在1000次迭代之后保存模型，我们将通过通过global_step来调用save:

saver.save(sess, 'my_test_model',global_step=1000)

这将会将'-1000'追加到模型名称，并创建以下文件:

1. my_test_model-1000.index  
2. my_test_model-1000.meta  
3. my_test_model-1000.data-00000-of-00001  
4. checkpoint

比方说，在训练时，我们在每次1000次迭代后都保存模型，所以.meta文件是第一次创建的(在第1000次迭代中)，我们不需要每次都重新创建.meta文件(我们在2000，3000次没有保存.meta文件)。我们仅为进一步的迭代保存模型，因为图不会改变。因此，当我们不想保存meta-graph时，我们用这个:

1. saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

如果你希望仅保留4个最新的模型，并且希望在训练过程中每两个小时后保存一个模型，那么你可以使用max_to_keep和keep_checkpoint_every_n_hours这样做。

1. #saves a model every 2 hours and maximum 4 latest models are saved.  
2. saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)

注意，如果我们在tf.train.Saver()中没有指定任何东西，它将保存所有的变量。如果，我们不想保存所有的变量，而只是一些变量。我们可以指定要保存的变量/集合。在创建tf.train。保护程序实例，我们将它传递给我们想要保存的变量的列表或字典。让我们来看一个例子:

这可以用于在需要时保存特定的Tensorflow图。

3. 导入训练好的模型

如果你想用别人预先训练好的模型来进行微调，你需要做以下两件事:

a)创建网络

你可以通过编写python代码创建网络，以手工创建每一层，并将其作为原始模型。但是，如果你考虑一下，我们已经在.meta文件中保存了这个网络，我们可以使用tf.train.import()函数来重新创建这个网络：

saver = tf.train.import_meta_graph('my_test_model-1000.meta')

记住，import_meta_graph将在.meta文件中定义的网络附加到当前图。因此，这将为你创建图形/网络，但是我们仍然需要加载我们在这张图上训练过的参数的值。

b)载入参数

我们可以通过调用这个保护程序的实例来恢复网络的参数，它是tf.train.Saver()类的一个实例。

在此之后，像w1和w2这样的张量的值已经恢复并且可以被访问:

因此，现在你已经了解了如何为Tensorflow模型保存和导入工作。在下一节中，我描述了上面的实际使用，以加载任何预先训练过的模型。

4.使用导入的模型

现在你已经了解了如何保存和恢复Tensorflow模型，让我们开发一个实用的例子来恢复任何预先训练的模型，并使用它进行预测、微调或进一步训练。当您使用Tensorflow时，你将定义一个图，该图是feed examples(训练数据)和一些超参数(如学习速率、迭代次数等)，它是一个标准的过程，我们可以使用占位符来存放所有的训练数据和超参数。接下来，让我们使用占位符构建一个小网络并保存它。注意，当网络被保存时，占位符的值不会被保存。

现在，当我们想要恢复它时，我们不仅要恢复图和权重，还要准备一个新的feed_dict，它将把新的训练数据输入到网络中。我们可以通过graph.get_tensor_by_name()方法来引用这些保存的操作和占位符变量。

如果我们只是想用不同的数据运行相同的网络，您可以简单地通过feed_dict将新数据传递给网络。

如果你希望通过添加更多的层数并对其进行训练，从而向图中添加更多的操作，可以这样做

但是，你是否可以在之前图的结构上构建新的网络?当然，您可以通过graph.get_tensor_by_name()方法访问适当的操作，并在此基础上构建图。这是一个真实的例子。在这里，我们使用元图加载一个vgg预训练的网络，并在最后一层中将输出的数量更改为2，以便对新数据进行微调。

打印输出信息如下所示：

从多个训练模型中找到最近训练保存的模型 tf.train.latest_checkpoint

打印输出：