如何保存训练好的神经网络直接进行测试-TensorFlow模型持久化

深藏阁楼爱情的钟 2022-06-01 03:44 594阅读 0赞

**本文代码可在[https://github.com/TimeIvyace/MNIST-TensorFlow.git][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][_TensorFlow_MNIST]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][TensorFlow_-tf.get_variable_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_averages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。

[https_github.com_TimeIvyace_MNIST-TensorFlow.git]: https://github.com/TimeIvyace/MNIST-TensorFlow.git
[_TensorFlow_MNIST]: http://blog.csdn.net/gaoyueace/article/details/79060443
[TensorFlow_-tf.get_variable_tf.variable_scope]: http://blog.csdn.net/gaoyueace/article/details/79079068