tensorflow三种加载模型的方法和三种模型保存文件（.ckpt，.pb， SavedModel)

一、.ckpt文件的保存和加载

1、保存的文件

 

 这是我保存的文件，保存一次有四个文件：

checkpoint文件：用于告知某些TF函数，这是最新的检查点文件（可以用记事本打开看一下）

.data文件：（后面缀的那一串我也布吉岛是啥）这个文件保存的是图中所有变量的值，没有结构。

.index文件：可能是保存了一些必要的索引叭（这个文件不大清楚）。

.meta文件：保存了计算图的结构，但是不包含里面变量的值。

使用这种方法保存模型时会保存成上面这四个文件，重新加载模型时通常只会用到.meta文件恢复图结构然后用.data文件把各个变量的值再加进去。

2、保存模型的方法

代码：

saver=tf.train.Saver(max_to_keep)

saver.save(sess,'D:/model',global_step=epoch)

创建一个saver（max_to_keep可设置要保存的模型的个数)，调用save方法将当前sess会话中的图和变量等信息保存到指定路径，global_step代表当前的轮数，设置之后会在文件名后面缀一个‘-600’这样的东西

3、重加载模型的方法

saver=tf.train.import_meta_graph('model1/my-model-190.meta')  #恢复计算图结构

saver.restore(sess, tf.train.latest_checkpoint("model/"))  #恢复所有变量信息

现在sess中已经恢复了网络结构和变量信息了，接下来可以直接用节点的名称来调用：

print(sess.run('op:0',feed_dict={'x:0':2,'y:0':3})

或者采用：

graph = tf.get_default_graph()

input_x = graph.get_tensor_by_name('x:0')

input_y=graph.get_tensor_by_name('y:0')

op=graph.get_tensor_name('op:0')

print(sess.run(op,feed_dict={input_x:2,input_y:3)

这样子使用也可。

4、PS

.ckpt方式保存模型，这种模型文件是依赖 TensorFlow 的，只能在其框架下使用。

https://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/这篇文章详细解释和演示了利用ckpt文件保存模型，并进行迁移学习的方法（不过是英文版的）

二、.pb文件的保存和加载

1、保存的文件

 .pb文件里面保存了图结构+数据，加载模型时只需要这一个文件就好。

2、保存模型的方法

constant_graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op'])

with tf.gfile.FastGFile('D:/pycharm files/model.pb', mode='wb') as f:

　　f.write(constant_graph.SerializeToString())

3、加载模型的方法

with tf.gfile.FastGFile(pb_file_path, 'rb') as f:

　　graph_def = tf.GraphDef() # 生成图

　　graph_def.ParseFromString(f.read()) # 图加载模型

　　 tf.import_graph_def(graph_def, name='')

接下来与前面的相同可以直接用节点的名称来调用：

print(sess.run('op:0',feed_dict={'x:0':2,'y:0':3})

或者采用：

graph = tf.get_default_graph()

input_x = graph.get_tensor_by_name('x:0')

input_y=graph.get_tensor_by_name('y:0')

op=graph.get_tensor_name('op:0')

print(sess.run(op,feed_dict={input_x:2,input_y:3)

这样子使用也可。

4、

谷歌推荐的保存模型的方式是保存模型为 PB 文件，它具有语言独立性，可独立运行，封闭的序列化格式，任何语言都可以解析它，它允许其他语言和深度学习框架读取、继续训练和迁移 TensorFlow 的模型。另外的好处是保存为 PB 文件时候，模型的变量都会变成固定的，导致模型的大小会大大减小。

加载一个pb文件之后再对其进行微调（也就是将这个pb文件的网络作为自己网络的一部分），然后再保存成pb文件，后一个pb网络会包含前一个pb网络。

三、saved model

1、保存文件

在传入的目录下会有一个pb文件和一个文件夹：

2、保存模型

builder = tf.saved_model.builder.SavedModelBuilder(path)

builder.add_meta_graph_and_variables(sess,['cpu_server_1'])

3、加载模型

with tf.Session(graph=tf.Graph()) as sess:

　　tf.saved_model.loader.load(sess, ['cpu_server_1'], pb_file_path+'savemodel')

接下来可以直接使用名字或者get_tensor_by_name后再进行使用

　　input_x = sess.graph.get_tensor_by_name('x:0')

　　input_y = sess.graph.get_tensor_by_name('y:0')

　　op = sess.graph.get_tensor_by_name('op:0')

　　ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})

关于savedmodel文件，可阅读这篇博客，讲的很清楚https://blog.csdn.net/thriving_fcl/article/details/75213361

 

下面代码是实现上面三种保存模式的小例子，可以粘贴复制把相关的代码注释掉，运行一下看看结果，能加深理解：

import tensorflow as tf
with tf.Session() as sess:
　　#搭建网络
　　x=tf.placeholder(tf.float32,name='x')
　　y=tf.placeholder(tf.float32,name='y')
　　b=tf.Variable(1.,name='b')
　　xy=tf.multiply(x,y)
　　op=tf.add(xy,b,name='op')
　　sess.run(tf.global_variables_initializer())
　　print(sess.run(op,feed_dict={x:2,y:3}))

　　#ckpt保存
　　saver=tf.train.Saver()
　　saver.save(sess,'D:/pycharm files/111/ckpt/model_ck')

　　#pb保存
　　constant_graph=tf.graph_util.convert_variables_to_constants(sess,sess.graph_def,['op'])
　　with tf.gfile.FastGFile('D:/pycharm files/111/pb/model.pb','wb') as f:
　　f.write(constant_graph.SerializeToString())

　　#savedmodel文件保存
　　builder=tf.saved_model.builder.SavedModelBuilder('D:/pycharm files/111/savemodel')
　　builder.add_meta_graph_and_variables(sess,['cpu_server_1'])
　　builder.save()

　　print('over')

　　#ckpt加载
　　saver=tf.train.import_meta_graph('D:/pycharm files/111/ckpt/model_ck.meta')
　　saver.restore(sess,tf.train.latest_checkpoint('D:/pycharm files/111/ckpt'))

　　#pb加载
　　with tf.gfile.FastGFile('D:/pycharm files/111/pb/model.pb','rb') as f:
　　　　graph_def=tf.GraphDef()
　　　　graph_def.ParseFromString(f.read())
　　　　tf.import_graph_def(graph_def,name='')

　　#savemodel加载
　　tf.saved_model.loader.load(sess, ['cpu_server_1'], 'D:/pycharm files/111/savemodel')

　　#测试模型加载是否成功
　　input_x = sess.graph.get_tensor_by_name('x:0')
　　input_y = sess.graph.get_tensor_by_name('y:0')
　　op = sess.graph.get_tensor_by_name('op:0')
　　ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})
　　print(ret)