变量:创建、初始化、保存和加载

当训练模型时,用变量来存储和更新参数。变量包含张量 (Tensor)存放于内存的缓存区。建模时它们需要被明确地初始化,模型训练后它们必须被存储到磁盘。这些变量的值可在之后模型训练和分析是被加载。

本文档描述以下两个TensorFlow类。点击以下链接可查看完整的API文档:

创建

当创建一个变量时,你将一个张量作为初始值传入构造函数Variable()。TensorFlow提供了一系列操作符来初始化张量,初始值是常量或是随机值

注意,所有这些操作符都需要你指定张量的shape。那个形状自动成为变量的shape。变量的shape通常是固定的,但TensorFlow提供了高级的机制来重新调整其行列数。

  1. # Create two variables.
  2. weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
  3. name="weights")
  4. biases = tf.Variable(tf.zeros([200]), name="biases")

调用tf.Variable()添加一些操作(Op, operation)到graph:

  • 一个Variable操作存放变量的值。
  • 一个初始化op将变量设置为初始值。这事实上是一个tf.assign操作.
  • 初始值的操作,例如示例中对biases变量的zeros操作也被加入了graph。

tf.Variable的返回值是Python的tf.Variable类的一个实例。

初始化

变量的初始化必须在模型的其它操作运行之前先明确地完成。最简单的方法就是添加一个给所有变量初始化的操作,并在使用模型之前首先运行那个操作。

你或者可以从检查点文件中重新获取变量值,详见下文。

使用tf.initialize_all_variables()添加一个操作对变量做初始化。记得在完全构建好模型并加载之后再运行那个操作。

  1. # Create two variables.
  2. weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
  3. name="weights")
  4. biases = tf.Variable(tf.zeros([200]), name="biases")
  5. ...
  6. # Add an op to initialize the variables.
  7. init_op = tf.initialize_all_variables()
  8. # Later, when launching the model
  9. with tf.Session() as sess:
  10. # Run the init operation.
  11. sess.run(init_op)
  12. ...
  13. # Use the model
  14. ...

由另一个变量初始化

你有时候会需要用另一个变量的初始化值给当前变量初始化。由于tf.initialize_all_variables()是并行地初始化所有变量,所以在有这种需求的情况下需要小心。

用其它变量的值初始化一个新的变量时,使用其它变量的initialized_value()属性。你可以直接把已初始化的值作为新变量的初始值,或者把它当做tensor计算得到一个值赋予新变量。

  1. # Create a variable with a random value.
  2. weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
  3. name="weights")
  4. # Create another variable with the same value as 'weights'.
  5. w2 = tf.Variable(weights.initialized_value(), name="w2")
  6. # Create another variable with twice the value of 'weights'
  7. w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice")

自定义初始化

tf.initialize_all_variables()函数便捷地添加一个op来初始化模型的所有变量。你也可以给它传入一组变量进行初始化。详情请见Variables Documentation,包括检查变量是否被初始化。

保存和加载

最简单的保存和恢复模型的方法是使用tf.train.Saver对象。构造器给graph的所有变量,或是定义在列表里的变量,添加saverestoreops。saver对象提供了方法来运行这些ops,定义检查点文件的读写路径。

检查点文件

变量存储在二进制文件里,主要包含从变量名到tensor值的映射关系。

当你创建一个Saver对象时,你可以选择性地为检查点文件中的变量挑选变量名。默认情况下,将每个变量Variable.name属性的值。

保存变量

tf.train.Saver()创建一个Saver来管理模型中的所有变量。

  1. # Create some variables.
  2. v1 = tf.Variable(..., name="v1")
  3. v2 = tf.Variable(..., name="v2")
  4. ...
  5. # Add an op to initialize the variables.
  6. init_op = tf.initialize_all_variables()
  7. # Add ops to save and restore all the variables.
  8. saver = tf.train.Saver()
  9. # Later, launch the model, initialize the variables, do some work, save the
  10. # variables to disk.
  11. with tf.Session() as sess:
  12. sess.run(init_op)
  13. # Do some work with the model.
  14. ..
  15. # Save the variables to disk.
  16. save_path = saver.save(sess, "/tmp/model.ckpt")
  17. print "Model saved in file: ", save_path

恢复变量

用同一个Saver对象来恢复变量。注意,当你从文件中恢复变量时,不需要事先对它们做初始化。

  1. # Create some variables.
  2. v1 = tf.Variable(..., name="v1")
  3. v2 = tf.Variable(..., name="v2")
  4. ...
  5. # Add ops to save and restore all the variables.
  6. saver = tf.train.Saver()
  7. # Later, launch the model, use the saver to restore variables from disk, and
  8. # do some work with the model.
  9. with tf.Session() as sess:
  10. # Restore variables from disk.
  11. saver.restore(sess, "/tmp/model.ckpt")
  12. print "Model restored."
  13. # Do some work with the model
  14. ...

选择存储和恢复哪些变量

如果你不给tf.train.Saver()传入任何参数,那么saver将处理graph中的所有变量。其中每一个变量都以变量创建时传入的名称被保存。

有时候在检查点文件中明确定义变量的名称很有用。举个例子,你也许已经训练得到了一个模型,其中有个变量命名为"weights",你想把它的值恢复到一个新的变量"params"中。

有时候仅保存和恢复模型的一部分变量很有用。再举个例子,你也许训练得到了一个5层神经网络,现在想训练一个6层的新模型,可以将之前5层模型的参数导入到新模型的前5层中。

你可以通过给tf.train.Saver()构造函数传入Python字典,很容易地定义需要保持的变量及对应名称:键对应使用的名称,值对应被管理的变量。

注意:

  • 如果需要保存和恢复模型变量的不同子集,可以创建任意多个saver对象。同一个变量可被列入多个saver对象中,只有当saver的restore()函数被运行时,它的值才会发生改变。
  • 如果你仅在session开始时恢复模型变量的一个子集,你需要对剩下的变量执行初始化op。详情请见tf.initialize_variables()
  1. # Create some variables.
  2. v1 = tf.Variable(..., name="v1")
  3. v2 = tf.Variable(..., name="v2")
  4. ...
  5. # Add ops to save and restore only 'v2' using the name "my_v2"
  6. saver = tf.train.Saver({"my_v2": v2})
  7. # Use the saver object normally after that.
  8. ...

原文链接: http://tensorflow.org/how_tos/variables/index.html
翻译:赵屹华 校对:Wiki