我就废话不多说了,大家还是直接看代码吧!
#参数恢复
self.sess=tf.Session()
saver = tf.train.import_meta_graph(os.path.join(model_fullpath,'model.ckpt-7.meta'))
module_file = tf.train.latest_checkpoint(model_fullpath)
saver.restore(self.sess, module_file)
variable_names = [v.name for v in tf.trainable_variables()]
variable_names = [v.name for v in tf.global_variables()]
values = self.sess.run(variable_names)
i=0
for k, v in zip(variable_names, values):
i+=1
if k.find('encode')!=-1:
print(f"第 {i} 个variable")
print("Variable: ", k)
print("Shape: ", v.shape)
print(v)
graph = tf.get_default_graph()
all_ops = graph.get_operations()
for el in all_ops:
print(el.name)
输出结果:
补充知识:TensorFlow:.ckpt文件与.ckpt.meta和.ckpt.index以及.pb文件之间的关系是什么?
再使用 tf.train.Saver() 保存参数通常会生成以下文件
那么这些文件具体是什么呢?
.ckpt文件:是旧版本的输出saver.save(sess),相当于你的.ckpt-data
“checkpoint”:文件仅用于告知某些TF函数,这是最新的检查点文件。
.ckpt-meta:包含元图,即计算图的结构,没有变量的值(基本上你可以在tensorboard / graph中看到)。
.ckpt-data:包含所有变量的值,没有结构。
.ckpt-index:可能是内部需要的某种索引来正确映射前两个文件,它通常不是必需的
你可以只用 .ckpt-meta 和恢复一个模型 .ckpt-data
要在python中恢复模型,您通常会使用元数据和数据文件(但您也可以使用该.pb文件):
saver = tf.train.import_meta_graph(path_to_ckpt_meta) saver.restore(sess, path_to_ckpt_data)
该.pb文件可以保存您的整个图表(元+数据)
要在c ++中加载和使用(但不训练)图形,您通常会使用它来创建freeze_graph,它会.pb从元数据和数据创建文件。
要小心,(至少在以前的TF版本和某些人中)py提供的功能freeze_graph不能正常工作,所以你必须使用脚本版本。
以上这篇打印tensorflow恢复模型中所有变量与操作节点方式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。