如何保存训练好的神经网络直接进行测试-TensorFlow模型持久化

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：

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。