1.使用场景
假设我们有训练好的模型A,B,C,我们希望使用A,B,C中的部分或者全部变量,合成为一个模型D,用于初始化或其他目的,就需要融合多个模型的方法
2.如何实现
我们可以先声明模型D,再创建多个Saver实例,分别从模型A,B,C的保存文件(checkpoint文件)中读取所需的变量值,来达成这一目的,下面是示例代码:
首先创建一个只包含w1,w2两个变量的模型,初始化后保存:
1 def train_model1(): 2 w1 = tf.get_variable("w1", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 3 w2 = tf.get_variable("w2", shape=[3, 1], initializer=tf.truncated_normal_initializer(), trainable=True) 4 x = tf.placeholder(tf.float32, shape=[None, 3], name="x") 5 a1 = tf.matmul(x, w1) 6 input = np.random.rand(3200, 3) 7 sess = tf.InteractiveSession() 8 sess.run(tf.global_variables_initializer()) 9 saver1 = tf.train.Saver([w1,w2]) 10 for i in range(0, 1): 11 w1_var,w2_var = sess.run([w1,w2], feed_dict={x: input[i * 32:(i + 1) * 32]}) 12 print w1_var 13 print w2_var 14 print ‘=‘ * 30 15 saver1.save(sess, ‘save1-exp‘)
然后再创建一个只包含w2,w3两个变量的模型,也是初始化后保存:
1 def train_model2(): 2 w2 = tf.get_variable("w2", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 3 w3 = tf.get_variable("w3", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 4 x = tf.placeholder(tf.float32, shape=[None, 3], name="x") 5 a2 = tf.matmul(x, w2 * w3) 6 input = np.random.rand(3200, 3) 7 sess = tf.InteractiveSession() 8 sess.run(tf.global_variables_initializer()) 9 saver2 = tf.train.Saver([w2,w3]) 10 for i in range(0, 1): 11 w2_var, w3_var = sess.run([w2, w3], feed_dict={x: input[i * 32:(i + 1) * 32]}) 12 print w2_var 13 print w3_var 14 print ‘=‘ * 30 15 saver2.save(sess, ‘save2-exp‘)
最后我们创建一个包含w1,w2,w3变量的模型,从上面两个保存的ckp文件中恢复:
1 def restore_model(): 2 w1 = tf.get_variable("w1", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 3 w2 = tf.get_variable("w2", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 4 w3 = tf.get_variable("w3", shape=[3, 1], initializer=tf.truncated_normal_initializer(),trainable=True) 5 x = tf.placeholder(tf.float32, shape=[None, 3], name="x") 6 a1 = tf.matmul(x, w1) 7 a2 = tf.matmul(x, w2 * w3) 8 loss = tf.reduce_mean(tf.square(a1 - a2)) 9 sess = tf.InteractiveSession() 10 sess.run(tf.global_variables_initializer()) 11 saver1 = tf.train.Saver([w1,w2]) 12 saver1.restore(sess, ‘save1-exp‘) 13 saver2 = tf.train.Saver([w2, w3]) 14 saver2.restore(sess, ‘save2-exp‘) 15 saver3 = tf.train.Saver(tf.trainable_variables()) 16 input = np.random.rand(3200, 3) 17 w1_var, w2_var, w3_var = sess.run([w1, w2, w3], feed_dict={x: input[0:32]}) 18 print w1_var 19 print w2_var 20 print w3_var 21 print ‘=‘ * 30 22 saver3.save(sess, ‘save3-exp‘)
然后保存,即完成了我们的目标
3.注意事项
3.1 取的模型中有同名变量
假设同名变量为a,这种情况下,从不同模型中恢复的a是按照读取顺序覆盖到a中的,如果希望只读取特定ckpt保存的变量值,在创建读取其他ckpt的saver时,不要把a加入到var_list中
3.2 模型D中有部分变量不在A,B,C中
这种情况,恢复时会报错,需要指定var_list,只恢复当前cpkt中保存的变量
原文地址:https://www.cnblogs.com/hrlnw/p/10466145.html
时间: 2024-10-29 15:45:29