TensorFlow, perché ci sono 3 file dopo aver salvato il modello?

Dopo aver letto i documenti , ho salvato un modello in TensorFlow, ecco il mio codice demo:

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
with tf.Session() as sess:
  sess.run(init_op)
  # Do some work with the model.
  ..
  # Save the variables to disk.
  save_path = saver.save(sess, "/tmp/model.ckpt")
  print("Model saved in file: %s" % save_path)

ma dopo ho scoperto che ci sono 3 file

model.ckpt.data-00000-of-00001
model.ckpt.index
model.ckpt.meta

E non posso ripristinare il modello ripristinando il model.ckptfile, poiché non esiste un file di questo tipo. Ecco il mio codice

with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")

Allora, perché ci sono 3 file?

Prova questo:

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('/tmp/model.ckpt.meta')
    saver.restore(sess, "/tmp/model.ckpt")

Il metodo di salvataggio TensorFlow salva tre tipi di file poiché memorizza la struttura del grafico separatamente dai valori delle variabili . Il .metafile descrive la struttura del grafico salvato, quindi è necessario importarlo prima di ripristinare il checkpoint (altrimenti non sa a quali variabili corrispondono i valori del checkpoint salvato).

In alternativa, potresti farlo:

# Recreate the EXACT SAME variables
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")

...

# Now load the checkpoint variable values
with tf.Session() as sess:
    saver = tf.train.Saver()
    saver.restore(sess, "/tmp/model.ckpt")

Anche se non è presente alcun file denominato model.ckpt, fai comunque riferimento al checkpoint salvato con quel nome quando lo ripristini. Dal saver.pycodice sorgente :

Gli utenti devono solo interagire con il prefisso specificato dall'utente ... invece di qualsiasi percorso fisico.

• meta file : descrive la struttura del grafico salvato, include GraphDef, SaverDef e così via; quindi applicare tf.train.import_meta_graph('/tmp/model.ckpt.meta'), ripristinerà Savere Graph.

• file indice : è una tabella immutabile stringa-stringa (tensorflow :: table :: Table). Ogni chiave è un nome di un tensore e il suo valore è un BundleEntryProto serializzato. Ogni BundleEntryProto descrive i metadati di un tensore: quale dei file "dati" contiene il contenuto di un tensore, l'offset in quel file, il checksum, alcuni dati ausiliari, ecc.

• file di dati : è la raccolta TensorBundle, salva i valori di tutte le variabili.

Sto ripristinando i word embedding addestrati dal tutorial di Word2Vec tensorflow.

Nel caso in cui tu abbia creato più checkpoint:

ad esempio, i file creati hanno questo aspetto

model.ckpt-55695.data-00000-of-00001

model.ckpt-55695.index

model.ckpt-55695.meta

prova questo

def restore_session(self, session):
   saver = tf.train.import_meta_graph('./tmp/model.ckpt-55695.meta')
   saver.restore(session, './tmp/model.ckpt-55695')

quando si chiama restore_session ():

def test_word2vec():
   opts = Options()    
   with tf.Graph().as_default(), tf.Session() as session:
       with tf.device("/cpu:0"):            
           model = Word2Vec(opts, session)
           model.restore_session(session)
           model.get_embedding("assistance")

Ad esempio, se hai addestrato una CNN con abbandono scolastico, potresti farlo:

def predict(image, model_name):
    """
    image -> single image, (width, height, channels)
    model_name -> model file that was saved without any extensions
    """
    with tf.Session() as sess:
        saver = tf.train.import_meta_graph('./' + model_name + '.meta')
        saver.restore(sess, './' + model_name)
        # Substitute 'logits' with your model
        prediction = tf.argmax(logits, 1)
        # 'x' is what you defined it to be. In my case it is a batch of RGB images, that's why I add the extra dimension
        return prediction.eval(feed_dict={x: image[np.newaxis,:,:,:], keep_prob_dnn: 1.0})