如何保存训练好的神经网络直接进行测试-TensorFlow模型持久化
2018-01-19 00:44
1146 查看
本文代码可在https://github.com/TimeIvyace/MNIST-TensorFlow.git中下载,文件夹为train_improved2,文件夹中一共三个py程序,同时运行mnist_train.py(用于训练)和mnist_eval.py(用于测试)即可。
注意:使用代码需要修改MNIST数据集存储位置以及神经网络存储位置。
为了让神经网络训练结果可以复用,需要将训练的到的神经网络模型持久化。TensorFlow提供了一个API来保存和还原一个神经网络模型,这个API就是tf.train.Saver类。例如以下代码,保存了TensorFlow计算图:
在这段代码中,通过saver.save函数将TensorFlow模型保存到了/tensorflow_google/model.ckpt文件中。这个文件目录下会出现四个文件,第一个为model.ckpt.meta,保存了TensorFlow计算图的结构;第二个和第三个分别为model.ckpt.data和model.ckpt.index,保存了每一个变量的取值和索引;第四个文件为checkpoint文件,保存了一个目录下所有的模型文件列表。以下代码给出了如何加载TensorFlow模型:
在加载模型的程序也定义了TensorFlow计算图上的所有运算,并声明了一个tf.train.Saver类。两段代码唯一不同的是,在加载模型的代码中没有运行变量的初始化过程,而是将变量的值通过已经保存的模型加载进来。
为了保存或者加载部分变量,在声明tf.train.Saver类时可以提供一个列表来指定保存或者加载的变量,例如在加载时使用:
那么只有变量v1会被加载进来。
在 使用TensorFlow训练神经网络识别MNIST数据代码中已经给出了一个完整的程序来解决MNIST问题,但是程序的可扩展性并不好。在TensorFlow变量管理-tf.get_variable和tf.variable_scope中,虽然使用两个函数提高了代码可读性,但是当程序退出时,训练好的模型也就无法再使用了,没有持久化训练好的模型。所以,现在重构程序来解决MNIST问题,将加入模型持久化,并且训练和测试分成两个独立的程序,增加组件的灵活性。
重构之后的代码会分成3个程序,第一个是mnist_inference.py,定义了前向传播的过程以及神经网络中的参数;第二个是mnist_train.py,定义了神经网络的训练过程;第三个是mnist_eval.py,定义了测试过程。
1.mnist_inferency.py代码如下:
2.mnist_train.py代码如下:
3.mnist_eval.py代码如下:
注意:上面给出的mnist_eval.py程序会每隔10s运行一次,每次运行都是读取最新保存的模型,并在MNIST验证数据集上计算模型的正确率。若已经单独运行过mnist_train.py代码,则mnist_eval.py代码只会重复使用最后一次得到的模型进行验证;若没有运行过mnist_train.py代码,可将mnist_train.py和mnist_eval.py同时运行,则会得到以下类似的结果:
若已经单独运行过mnist_train.py代码,可将自定义的mnist文件夹中所有保存的模型删除再同时运行两个代码,可得到上面的结果。因为这个程序每10s自动运行一次,而训练程序不一定每10s输出一个新模型,所以在上面的结果中会出现有些模型被测试了多次。因为一直处在True循环中,可最后手动停止程序,或者外加判断条件停止。
可发现,重构后的代码更加灵活,可读性更强。
注意:使用代码需要修改MNIST数据集存储位置以及神经网络存储位置。
为了让神经网络训练结果可以复用,需要将训练的到的神经网络模型持久化。TensorFlow提供了一个API来保存和还原一个神经网络模型,这个API就是tf.train.Saver类。例如以下代码,保存了TensorFlow计算图:
import tensorflow as tf v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1") v2 = tf.Variable(tf.constant(2.0, shape=[1]), name="v2") result = v1 + v2 init_op = tf.global_variables_initializer() #声明tf.train.Saver用于保存模型 saver = tf.train.Saver() with tf.Session() as sess: sess.run(init_op) #将模型保存为/tensorflow_google/model/model.ckpt saver.save(sess, "/tensorflow_google/model/model.ckpt")
在这段代码中,通过saver.save函数将TensorFlow模型保存到了/tensorflow_google/model.ckpt文件中。这个文件目录下会出现四个文件,第一个为model.ckpt.meta,保存了TensorFlow计算图的结构;第二个和第三个分别为model.ckpt.data和model.ckpt.index,保存了每一个变量的取值和索引;第四个文件为checkpoint文件,保存了一个目录下所有的模型文件列表。以下代码给出了如何加载TensorFlow模型:
import tensorflow as tf #使用和保存模型代码中一样的方式来声明变量 v1 = tf.Variable(tf.constant(1.0, shape=[1]), name="v1") v2 = tf.Variable(tf.constant(2.0, shape=[1]), name="v2") result = v1 + v2 saver = tf.train.Saver() with tf.Session() as sess: #加载已经保存的模型,并通过已保存的模型中变量的值来计算加法 saver.restore(sess, "/tensorflow_google/model/model.ckpt") print(sess.run(result)) >>[ 3.]
在加载模型的程序也定义了TensorFlow计算图上的所有运算,并声明了一个tf.train.Saver类。两段代码唯一不同的是,在加载模型的代码中没有运行变量的初始化过程,而是将变量的值通过已经保存的模型加载进来。
为了保存或者加载部分变量,在声明tf.train.Saver类时可以提供一个列表来指定保存或者加载的变量,例如在加载时使用:
saver = tf.train.Saver([v1])
那么只有变量v1会被加载进来。
在 使用TensorFlow训练神经网络识别MNIST数据代码中已经给出了一个完整的程序来解决MNIST问题,但是程序的可扩展性并不好。在TensorFlow变量管理-tf.get_variable和tf.variable_scope中,虽然使用两个函数提高了代码可读性,但是当程序退出时,训练好的模型也就无法再使用了,没有持久化训练好的模型。所以,现在重构程序来解决MNIST问题,将加入模型持久化,并且训练和测试分成两个独立的程序,增加组件的灵活性。
重构之后的代码会分成3个程序,第一个是mnist_inference.py,定义了前向传播的过程以及神经网络中的参数;第二个是mnist_train.py,定义了神经网络的训练过程;第三个是mnist_eval.py,定义了测试过程。
1.mnist_inferency.py代码如下:
# -*- coding:utf-8 -*- #定义前向传播的过程以及神经网络中的参数 import tensorflow as tf INPUT_NODE = 784 #输入层的节点数,图片为28*28,为图片的像素 OUTPUT_NODE = 10 #输出层的节点数,等于类别的数目,需要区分0-9,所以为10类 #配置神经网络的参数 LAYER1_NODE = 500 #隐藏层的节点数,此神经网络只有一层隐藏层 #通过tf.get_variable来获取变量,在训练网络时会创建这些变量;在测试时会通过保存的模型加载这些变量 #可以在变量加载的时候对变量重命名,可以通过同样的名字在训练时使用变量自身,而在测试时使用变量的最终值 def get_weight_variable(shape, regularizer): weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1)) #当给出正则化函数时,将当前变量的正则化损失加入losses的集合中 #add_to_collection函数讲一个张量加入一个集合 if regularizer != None: tf.add_to_collection('losses', regularizer(weights)) return weights #定义神经网络的前向传播过程 def inference(input_tensor, regularizer): #声明第一层神经网络的变量并完成前向传播过程 with tf.variable_scope("layer1"): #训练为第一次调用,所以reuse不用设置为True weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer) biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0)) layer1 = tf.nn.relu(tf.matmul(input_tensor, weights)+biases) #声明第二层神经网络 with tf.variable_scope("layer2"): weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer) biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0)) layer2 = tf.matmul(layer1, weights)+biases #返回最后前向传播结果 return layer2
2.mnist_train.py代码如下:
# -*- coding:utf-8 -*- #定义神经网络的训练过程 import os #os模块是对操作系统进行调用的接口 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #加载mnist_inference.py中定义的常量和前向传播的函数 import mnist_inference #配置神经网络的参数 BATCH_SIZE = 100 #一个训练batch中的训练数据个数,数字越小,越接近随机梯度下降,越大越接近梯度下降 LEARNING_RATE_BASE = 0.8 #基础的学习率 LEARNING_RATE_DECAY = 0.99 #学习率的衰减率 REGULARIZATION_RATE = 0.0001 #描述网络复杂度的正则化向在损失函数中的系数 TRAINING_STEPS = 30000 #训练轮数 MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率 #模型保存的路径和文件名 MODEL_SAVE_PATH = "/tensorflow_google/mnist" MODEL_NAME = "mnist.ckpt" def train(mnist): #定义输入输出 x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input') y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input') #正则化损失 regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) #直接使用mnist-inference.py中定义的前向传播过程 y = mnist_inference.inference(x, regularizer) global_step = tf.Variable(0, trainable=False) # 初始化滑动平均类 variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) # 在所有代表神经网络参数的变量上使用滑动平均,需要被训练的参数,variable_averag c944 es返回的就是GraphKeys.TRAINABLE_VARIABLES中的元素 variable_averages_op = variable_averages.apply(tf.trainable_variables()) # 计算交叉熵,使用了sparse_softmax_cross_entropy_with_logits,当问题只有一个正确答案时,可以使用这个函数来加速交叉熵的计算。 # 这个函数的第一个参数是神经网络不包括softmax层的前向传播结果,第二个是训练数据的正确答案,argmax返回最大值的位置 cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1)) # 计算在当前batch中所有样例的交叉熵平均值 cross_entropy_mean = tf.reduce_mean(cross_entropy) loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses')) # 设置指数衰减的学习率 learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE, global_step, mnist.train.num_examples / BATCH_SIZE, LEARNING_RATE_DECAY) # LEARNING_RATE_BASE为基础学习率,global_step为当前迭代的次数 # mnist.train.num_examples/BATCH_SIZE为完整的过完所有的训练数据需要的迭代次数 # LEARNING_RATE_DECAY为学习率衰减速度 # 使用GradientDescentOptimizer优化算法优化损失函数 train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step) # 在训练神经网络的时候,每过一遍数据都要通过反向传播来更新参数以及其滑动平均值 # 为了一次完成多个操作,可以通过tf.control_dependencies和tf.group两种机制来实现 # train_op = tf.group(train_step, variable_averages_op) #和下面代码功能一样 with tf.control_dependencies([train_step, variable_averages_op]): train_op = tf.no_op(name='train') #初始化TensorFlow持久化类 saver = tf.train.Saver() with tf.Session() as sess: tf.global_variables_initializer().run() #在训练过程中不再测试网络在验证数据上的表现,验证和测试的过程将会有一个独立的程序 for i in range(TRAINING_STEPS): xs, ys = mnist.train.next_batch(BATCH_SIZE) _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys}) #每1000轮保存一次模型 if i%1000==0: #输出当前的训练情况,只输出了网络在当前训练batch上的损失函数大小 # print("After %d training step(s), loss on training batch is %g," %(step, loss_value)) #保存当前的网络,给出了global_step参数,这样可以让每个保存网络的文件名末尾加上训练的轮数 #例如mnist.ckpt-1000 saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step) def main(argv=None): mnist = input_data.read_data_sets("/tensorflow_google", one_hot=True) train(mnist) if __name__=='__main__': tf.app.run()
3.mnist_eval.py代码如下:
# -*- coding: utf-8 -*- import time import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #加载mnist_inference和mnist_train中定义的常量和函数 import mnist_inference import mnist_train #每10秒加载一次最新的模型,并在测试数据上测试最新模型的正确率 EVAL_INTERVAL_SECS = 10 def evaluate(mnist): with tf.Graph().as_default() as g: #将默认图设为g #定义输入输出的格式 x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input') y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input') validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels} #直接通过调用封装好的函数来计算前向传播的结果 #测试时不关注过拟合问题,所以正则化输入为None y = mnist_inference.inference(x, None) #使用前向传播的结果计算正确率,如果需要对未知的样例进行分类 #使用tf.argmax(y, 1)就可以得到输入样例的预测类别 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # 首先将一个布尔型的数组转换为实数,然后计算平均值 # 平均值就是网络在这一组数据上的正确率 #True为1,False为0 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #通过变量重命名的方式来加载模型 variable_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY) variable_to_restore = variable_averages.variables_to_restore() # 所有滑动平均的值组成的字典,处在/ExponentialMovingAverage下的值 # 为了方便加载时重命名滑动平均量,tf.train.ExponentialMovingAverage类 # 提供了variables_to_store函数来生成tf.train.Saver类所需要的变量 saver = tf.train.Saver(variable_to_restore) #这些值要从模型中提取 #每隔EVAL_INTERVAL_SECS秒调用一次计算正确率的过程以检测训练过程中正确率的变化 while True: with tf.Session() as sess: #tf.train.get_checkpoint_state函数 # 会通过checkpoint文件自动找到目录中最新模型的文件名 ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH) if ckpt and ckpt.model_checkpoint_path: #加载模型 saver.restore(sess, ckpt.model_checkpoint_path) #得到所有的滑动平均值 #通过文件名得到模型保存时迭代的轮数 global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] accuracy_score = sess.run(accuracy, feed_dict=validate_feed) #使用此模型检验 #没有初始化滑动平均值,只是调用模型的值,inference只是提供了一个变量的接口,完全没有赋值 print("After %s training steps, validation accuracy = %g" %(global_step, accuracy_score)) else: print("No checkpoint file found") return time.sleep(EVAL_INTERVAL_SECS) def main(argv=None): mnist = input_data.read_data_sets("/tensorflow_google", one_hot=True) evaluate(mnist) if __name__=='__main__': tf.app.run()
注意:上面给出的mnist_eval.py程序会每隔10s运行一次,每次运行都是读取最新保存的模型,并在MNIST验证数据集上计算模型的正确率。若已经单独运行过mnist_train.py代码,则mnist_eval.py代码只会重复使用最后一次得到的模型进行验证;若没有运行过mnist_train.py代码,可将mnist_train.py和mnist_eval.py同时运行,则会得到以下类似的结果:
After 9001 training steps, validation accuracy = 0.9854 ... After 19001 training steps, validation accuracy = 0.9858 After 20001 training steps, validation accuracy = 0.9858 After 21001 training steps, validation accuracy = 0.9852 After 22001 training steps, validation accuracy = 0.9858 After 23001 training steps, validation accuracy = 0.9852 After 24001 training steps, validation accuracy = 0.9856 ...
若已经单独运行过mnist_train.py代码,可将自定义的mnist文件夹中所有保存的模型删除再同时运行两个代码,可得到上面的结果。因为这个程序每10s自动运行一次,而训练程序不一定每10s输出一个新模型,所以在上面的结果中会出现有些模型被测试了多次。因为一直处在True循环中,可最后手动停止程序,或者外加判断条件停止。
可发现,重构后的代码更加灵活,可读性更强。
相关文章推荐
- 如何利用训练好的神经网络进行预测
- Joone框架的神经网络如何保存和载入训练好的模型
- Keras 如何利用训练好的神经网络进行预测
- 如何利用训练好的神经网络进行预测
- 【神经网络与深度学习】Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- 利用TensorFlow训练简单的二分类神经网络模型的方法
- tensorflow 学习笔记(四) - mnist实例--用简单的神经网络来训练和测试
- 备注:tensorflow模型训练时同时进行测试,将结果可视化。
- tensorflow训练自己的数据集实现CNN图像分类2(保存模型&测试单张图片)
- tensorflow学习笔记四:mnist实例--用简单的神经网络来训练和测试(MNIST For ML Beginners)
- 使用TensorFlow训练循环神经网络语言模型
- tensorflow保存网络参数 使用训练好的网络参数进行数据的预测
- tensorflow学习笔记四:mnist实例--用简单的神经网络来训练和测试
- tensorflow如何使用训练好的模型做测试
- tensorflow学习笔记四:mnist实例--用简单的神经网络来训练和测试
- 用caffe训练完模型之后调用matlab接口直接进行测试,不用重新编写模型程序
- 利用TensorFlow训练简单的二分类神经网络模型
- Tensorflow之用自己的训练好的cpkt模型,进行测试识别
- ubuntu中利用h5py保存训练好的keras 神经网络模型