如果深層神經網絡模型的復雜度非常高的話，那么訓練它可能需要相當長的一段時間，當然這也取決于你擁有的數據量，運行模型的硬件等等。在大多數情況下，你需要通過保存文件來保障你試驗的穩定性，防止如果中斷(或一個錯誤)，你能夠繼續從沒有錯誤的地方開始。

更重要的是，對于任何深度學習的框架，像TensorFlow，在成功的訓練之后，你需要重新使用模型的學習參數來完成對新數據的預測。

[[208282]]

在這篇文章中，我們來看一下如何保存和恢復TensorFlow模型，我們在此介紹一些最有用的方法，并提供一些例子。

1. 首先我們將快速介紹TensorFlow模型

TensorFlow的主要功能是通過張量來傳遞其基本數據結構類似于NumPy中的多維數組，而圖表則表示數據計算。它是一個符號庫，這意味著定義圖形和張量將僅創建一個模型，而獲取張量的具體值和操作將在會話(session)中執行，會話(session)一種在圖中執行建模操作的機制。會話關閉時，張量的任何具體值都會丟失，這也是運行會話后將模型保存到文件的另一個原因。

通過示例可以幫助我們更容易理解，所以讓我們為二維數據的線性回歸創建一個簡單的TensorFlow模型。

首先，我們將導入我們的庫：

import tensorflow as tf   
import numpy as np   
import matplotlib.pyplot as plt   
%matplotlib inline 

下一步是創建模型。我們將生成一個模型，它將以以下的形式估算二次函數的水平和垂直位移：

y = (x - h) ^ 2 + v 

其中h是水平和v是垂直的變化。

以下是如何生成模型的過程(有關詳細信息，請參閱代碼中的注釋)：

# Clear the current graph in each run, to avoid variable duplication 
tf.reset_default_graph() 
# Create placeholders for the x and y points 
X = tf.placeholder("float")   
Y = tf.placeholder("float") 
# Initialize the two parameters that need to be learned 
h_est = tf.Variable(0.0, name='hor_estimate')   
v_est = tf.Variable(0.0, name='ver_estimate') 
# y_est holds the estimated values on y-axis 
y_est = tf.square(X - h_est) + v_est 
# Define a cost function as the squared distance between Y and y_est 
cost = (tf.pow(Y - y_est, 2)) 
# The training operation for minimizing the cost function. The 
# learning rate is 0.001 
trainop = tf.train.GradientDescentOptimizer(0.001).minimize(cost) 

在創建模型的過程中，我們需要有一個在會話中運行的模型，并且傳遞一些真實的數據。我們生成一些二次數據(Quadratic data)，并給他們添加噪聲。

# Use some values for the horizontal and vertical shift 
h = 1   
v = -2 
# Generate training data with noise 
x_train = np.linspace(-2,4,201)   
noise = np.random.randn(*x_train.shape) * 0.4   
y_train = (x_train - h) ** 2 + v + noise 
# Visualize the data  
plt.rcParams['figure.figsize'] = (10, 6)   
plt.scatter(x_train, y_train)   
plt.xlabel('x_train')   
plt.ylabel('y_train') 

2. The Saver class

Saver類是TensorFlow庫提供的類，它是保存圖形結構和變量的***方法。

(1) 保存模型

在以下幾行代碼中，我們定義一個Saver對象，并在train_graph()函數中，經過100次迭代的方法最小化成本函數。然后，在每次迭代中以及優化完成后，將模型保存到磁盤。每個保存在磁盤上創建二進制文件被稱為“檢查點”。

# Create a Saver object 
saver = tf.train.Saver() 
 
init = tf.global_variables_initializer() 
 
# Run a session. Go through 100 iterations to minimize the cost 
def train_graph():   
    with tf.Session() as sess: 
        sess.run(init) 
        for i in range(100): 
            for (x, y) in zip(x_train, y_train): 
 
                # Feed actual data to the train operation 
                sess.run(trainop, feed_dict={X: x, Y: y}) 
 
            # Create a checkpoint in every iteration 
            saver.save(sess, 'model_iter', global_step=i) 
 
        # Save the final model 
        saver.save(sess, 'model_final') 
        h_ = sess.run(h_est) 
        v_ = sess.run(v_est) 
    return h_, v_ 

現在讓我們用上述功能訓練模型，并打印出訓練的參數。

result = train_graph()   
print("h_est = %.2f, v_est = %.2f" % result)   
 
$ python tf_save.py 
h_est = 1.01, v_est = -1.96 

Okay，參數是非常準確的。如果我們檢查我們的文件系統，***4次迭代中保存有文件以及最終的模型。

保存模型時，你會注意到需要4種類型的文件才能保存：

• “.meta”文件：包含圖形結構。
• “.data”文件：包含變量的值。
• “.index”文件：標識檢查點。
• “checkpoint”文件：具有最近檢查點列表的協議緩沖區。

圖1：檢查點文件保存到磁盤

調用tf.train.Saver()方法，如上所示，將所有變量保存到一個文件。通過將它們作為參數，表情通過列表或dict傳遞來保存變量的子集，例如：tf.train.Saver({‘hor_estimate’: h_est})。

Saver構造函數的一些其他有用的參數，也可以控制整個過程，它們是：

• max_to_keep：最多保留的檢查點數。
• keep_checkpoint_every_n_hours：保存檢查點的時間間隔。如果你想要了解更多信息，請查看官方文檔的Saver類，它提供了其它有用的信息，你可以探索查看。
• Restoring Models

恢復TensorFlow模型時要做的***件事就是將圖形結構從“.meta”文件加載到當前圖形中。

tf.reset_default_graph()   
imported_meta = tf.train.import_meta_graph("model_final.meta") 

也可以使用以下命令探索當前圖形tf.get_default_graph()。接著第二步是加載變量的值。提醒：值僅存在于會話(session)中。

with tf.Session() as sess:   
    imported_meta.restore(sess, tf.train.latest_checkpoint('./')) 
    h_est2 = sess.run('hor_estimate:0') 
    v_est2 = sess.run('ver_estimate:0') 
    print("h_est: %.2f, v_est: %.2f" % (h_est2, v_est2)) 

$ python tf_restore.py 
INFO:tensorflow:Restoring parameters from ./model_final   
h_est: 1.01, v_est: -1.96 

如前面所提到的，這種方法只保存圖形結構和變量，這意味著通過占位符“X”和“Y”輸入的訓練數據不會被保存。

無論如何，在這個例子中，我們將使用我們定義的訓練數據tf，并且可視化模型擬合。

plt.scatter(x_train, y_train, label='train data')   
plt.plot(x_train, (x_train - h_est2) ** 2 + v_est2, color='red', label='model')   
plt.xlabel('x_train')   
plt.ylabel('y_train')   
plt.legend()  

Saver這個類允許使用一個簡單的方法來保存和恢復你的TensorFlow模型(圖形和變量)到/從文件，并保留你工作中的多個檢查點，這可能是有用的，它可以幫助你的模型在訓練過程中進行微調。

4. SavedModel格式(Format)

在TensorFlow中保存和恢復模型的一種新方法是使用SavedModel，Builder和loader功能。這個方法實際上是Saver提供的更高級別的序列化，它更適合于商業目的。

雖然這種SavedModel方法似乎不被開發人員完全接受，但它的創作者指出：它顯然是未來。與Saver主要關注變量的類相比，SavedModel嘗試將一些有用的功能包含在一個包中，例如Signatures:允許保存具有一組輸入和輸出的圖形，Assets:包含初始化中使用的外部文件。

(1) 使用SavedModel Builder保存模型

接下來我們嘗試使用SavedModelBuilder類完成模型的保存。在我們的示例中，我們不使用任何符號，但也足以說明該過程。

tf.reset_default_graph() 
# Re-initialize our two variables 
h_est = tf.Variable(h_est2, name='hor_estimate2')   
v_est = tf.Variable(v_est2, name='ver_estimate2') 
 
# Create a builder 
builder = tf.saved_model.builder.SavedModelBuilder('./SavedModel/') 
 
# Add graph and variables to builder and save 
with tf.Session() as sess:   
    sess.run(h_est.initializer) 
    sess.run(v_est.initializer) 
    builder.add_meta_graph_and_variables(sess, 
                                       [tf.saved_model.tag_constants.TRAINING], 
                                       signature_def_map=None, 
                                       assets_collection=None) 
builder.save() 

$ python tf_saved_model_builder.py 
INFO:tensorflow:No assets to save.   
INFO:tensorflow:No assets to write.   
INFO:tensorflow:SavedModel written to: b'./SavedModel/saved_model.pb' 

運行此代碼時，你會注意到我們的模型已保存到位于“./SavedModel/saved_model.pb”的文件中。

(2) 使用SavedModel Loader程序恢復模型

模型恢復使用tf.saved_model.loader，并且可以恢復會話范圍中保存的變量，符號。

在下面的例子中，我們將加載模型，并打印出我們的兩個系數(h_est和v_est)的數值。數值如預期的那樣，我們的模型已經被成功地恢復了。

with tf.Session() as sess:   
    tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.TRAINING], './SavedModel/') 
    h_est = sess.run('hor_estimate2:0') 
    v_est = sess.run('ver_estimate2:0') 
    print("h_est: %.2f, v_est: %.2f" % (h_est, v_est)) 

$ python tf_saved_model_loader.py 
INFO:tensorflow:Restoring parameters from b'./SavedModel/variables/variables'   
h_est: 1.01, v_est: -1.96 

5. 結論

如果你知道你的深度學習網絡的訓練可能會花費很長時間，保存和恢復TensorFlow模型是非常有用的功能。該主題太廣泛，無法在一篇博客文章中詳細介紹。不管怎樣，在這篇文章中我們介紹了兩個工具：Saver和SavedModel builder/loader，并創建一個文件結構，使用簡單的線性回歸來說明實例。希望這些能夠幫助到你訓練出更好的神經網絡模型。