终于找到bug原因！记一下；还是不熟悉平台的原因造成的！
Q：为什么会出现两个模型对象在同一个文件中一起运行，当直接读取他们分开运行时训练出来的模型会出错，而且总是有一个正确，一个读取错误？ 而 直接在同一个文件又训练又重新加载模型预测不出错，而且更诡异的是此时用分文件里的对象加载模型不会出错？
model.py,里面含有 ModelV 和 ModelP，另外还有 modelP.py 和 modelV.py 分别只含有 ModelP 和 ModeV 这两个对象，先使用 modelP.py 和 modelV.py 分别训练好模型，然后再在 model.py 里加载进来：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
|
# -*- coding: utf8 -*-
import tensorflow as tf
class ModelV():
def __init__(self):
self.v1 = tf.Variable(66, name="v1")
self.v2 = tf.Variable(77, name="v2")
self.save_path = "model_v/model.ckpt"
self.init = tf.global_variables_initializer()
self.saver = tf.train.Saver()
self.sess = tf.Session()
def train(self):
self.sess.run(self.init)
print 'v2', self.v2.eval(self.sess)
self.saver.save(self.sess, self.save_path)
print "ModelV saved."
def predict(self):
all_vars = tf.trainable_variables()
for v in all_vars:
print(v.name)
self.saver.restore(self.sess, self.save_path)
print "ModelV restored."
print 'v2', self.v2.eval(self.sess)
print '------------------------------------------------------------------'
class ModelP():
def __init__(self):
self.p1 = tf.Variable(88, name="p1")
self.p2 = tf.Variable(99, name="p2")
self.save_path = "model_p/model.ckpt"
self.init = tf.global_variables_initializer()
self.saver = tf.train.Saver()
self.sess = tf.Session()
def train(self):
self.sess.run(self.init)
print 'p2', self.p2.eval(self.sess)
self.saver.save(self.sess, self.save_path)
print "ModelP saved."
def predict(self):
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name
self.saver.restore(self.sess, self.save_path)
print "ModelP restored."
print 'p2', self.p2.eval(self.sess)
print '---------------------------------------------------------------------'
if __name__ == '__main__':
v = ModelV()
p = ModelP()
v.predict()
#v.train()
p.predict()
#p.train()
|
这里 tf.global_variables_initializer() 很关键！ 尽管你是分别在对象 ModelP 和 ModelV 内部分配和定义的 tf.Variable()，即 v1 v2 和 p1 p2，但是 对 tf 这个模块而言， 这些都是全局变量，可以通过以下代码查看所有的变量，你就会发现同一个文件中同时运行 ModelP 和 ModelV 在初始化之后都打印出了一样的变量，这个是问题的关键所在：
|
1
2
3
|
all_vars = tf.trainable_variables()
for v in all_vars:
print(v.name)
|
错误。你可以交换 modelP 和 modelV 初始化的顺序，看看错误信息的变化
|
1
2
3
4
5
6
7
8
9
10
11
12
|
v1:0
v2:0
p1:0
p2:0
ModelV restored.
v2 77
v1:0
v2:0
p1:0
p2:0
W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v2 not found in checkpoint
W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v1 not found in checkpoint
|
实际上，分开运行时，模型保存的参数是正确的，因为在一个模型里的Variable就只有 v1 v2 或者 p1 p2; 但是在一个文件同时运行的时候，模型参数实际上保存的是 v1 v2 p1 p2四个，因为在默认情况下，创建的Saver，会直接保存所有的参数。而 Saver.restore() 又是默认（无Variable参数列表时）按照已经定义好的全局模型变量来加载对应的参数值， 在进行 ModelV.predict时，按照顺序（从debug可以看出，应该是按照参数顺序一次检测）在模型文件中查找相应的 key，此时能够找到对应的v1 v2，加载成功，但是在 ModelP.predict时，在model_p的模型文件中找不到 v1 和 v2，只有 p1 和 p2， 此时就会报错；不过这里的 第一次加载 还有 p1 p2 找不到没有报错，解释不通， 未完待续
Saver.save() 和 Saver.restore() 是一对， 分别只保存和加载模型的参数， 但是模型的结构怎么知道呢? 必须是你定义好了，而且要和保存的模型匹配才能加载；
如果想要在不定义模型的情况下直接加载出模型结构和模型参数值，使用
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
# 加载 结构，即 模型参数 变量等
new_saver = tf.train.import_meta_graph("model_v/model.ckpt.meta")
print "ModelV construct"
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name
#print v.name,v.eval(self.sess) # v 都还未初始化，不能求值
# 加载模型 参数变量 的 值
new_saver.restore(self.sess, tf.train.latest_checkpoint('model_v/'))
print "ModelV restored."
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name,v.eval(self.sess)
|
加载 结构，即 模型参数 变量等完成后，就会有变量了，但是不能访问他的值，因为还未赋值，然后再restore一次即可得到值了
那么上述错误的解决方法就是这个改进版本的model.py；其实 tf.train.Saver 是可以带参数的，他可以保存你想要保存的模型参数，如果不带参数，很可能就会保存 tf.trainable_variables() 所有的variable，而 tf.trainable_variables()又是从 tf 全局得到的，因此只要在模型保存和加载时，构造对应的带参数的tf.train.Saver即可，这样就会保存和加载正确的模型了
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
|
# -*- coding: utf8 -*-
import tensorflow as tf
class ModelV():
def __init__(self):
self.v1 = tf.Variable(66, name="v1")
self.v2 = tf.Variable(77, name="v2")
self.save_path = "model_v/model.ckpt"
self.init = tf.global_variables_initializer()
self.sess = tf.Session()
def train(self):
saver = tf.train.Saver([self.v1, self.v2])
self.sess.run(self.init)
print 'v2', self.v2.eval(self.sess)
saver.save(self.sess, self.save_path)
print "ModelV saved."
def predict(self):
saver = tf.train.Saver([self.v1, self.v2])
all_vars = tf.trainable_variables()
for v in all_vars:
print v.name
v_vars = [v for v in all_vars if v.name == 'v1:0' or v.name == 'v2:0']
print "ModelV restored."
saver.restore(self.sess, self.save_path)
for v in v_vars:
print v.name,v.eval(self.sess)
print 'v2', self.v2.eval(self.sess)
print '------------------------------------------------------------------'
class ModelP():
def __init__(self):
self.p1 = tf.Variable(88, name="p1")
self.p2 = tf.Variable(99, name="p2")
self.save_path = "model_p/model.ckpt"
self.init = tf.global_variables_initializer()
self.sess = tf.Session()
def train(self):
saver = tf.train.Saver([self.p1, self.p2])
self.sess.run(self.init)
print 'p2', self.p2.eval(self.sess)
saver.save(self.sess, self.save_path)
print "ModelP saved."
def predict(self):
saver = tf.train.Saver([self.p1, self.p2])
all_vars = tf.trainable_variables()
p_vars = [v for v in all_vars if v.name == 'p1:0' or v.name == 'p2:0']
for v in all_vars:
print v.name
#print v.name,v.eval(self.sess)
saver.restore(self.sess, self.save_path)
print "ModelP restored."
for p in p_vars:
print p.name,p.eval(self.sess)
print 'p2', self.p2.eval(self.sess)
print '----------------------------------------------------------'
if __name__ == '__main__':
v = ModelV()
p = ModelP()
v.predict()
#v.train()
p.predict()
#p.train()
|
小结： 构造的Saver 最好带Variable参数，这样保证 保存和加载能够正确执行
以上这篇解决tensorflow模型参数保存和加载的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/u014659656/article/details/53954793