TensorFlow, mengapa ada 3 file setelah menyimpan model?

Setelah membaca dokumen , saya menyimpan model TensorFlow, berikut kode demo saya:

# 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)

tapi setelah itu, saya temukan ada 3 file

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

Dan saya tidak dapat memulihkan model dengan memulihkan model.ckptfile, karena tidak ada file seperti itu. Ini kode saya

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

Jadi kenapa ada 3 file?

Coba ini:

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

Metode penyimpanan TensorFlow menyimpan tiga jenis file karena menyimpan struktur grafik secara terpisah dari nilai variabel . The .metaFile menggambarkan struktur grafik disimpan, sehingga Anda perlu mengimpor sebelum memulihkan pos pemeriksaan (jika tidak tidak tahu apa variabel nilai pos pemeriksaan disimpan sesuai dengan).

Atau, Anda dapat melakukan ini:

# 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")

Meskipun tidak ada file bernama model.ckpt, Anda masih merujuk ke pos pemeriksaan yang disimpan dengan nama itu saat memulihkannya. Dari saver.pykode sumber :

Pengguna hanya perlu berinteraksi dengan awalan yang ditentukan pengguna ... alih-alih nama jalur fisik apa pun.

• file meta : menjelaskan struktur grafik yang disimpan, termasuk GraphDef, SaverDef, dan sebagainya; kemudian terapkan tf.train.import_meta_graph('/tmp/model.ckpt.meta'), akan memulihkan Saverdan Graph.

• file indeks : itu adalah tabel tetap string-string (tensorflow :: table :: Table). Setiap kunci adalah nama tensor dan nilainya adalah BundleEntryProto berseri. Setiap BundleEntryProto mendeskripsikan metadata tensor: file "data" mana yang berisi konten tensor, offset ke file tersebut, checksum, beberapa data tambahan, dll.

• file data : ini adalah koleksi TensorBundle, simpan nilai semua variabel.

Saya memulihkan embeddings kata yang terlatih dari tutorial tensorflow Word2Vec.

Jika Anda telah membuat beberapa pos pemeriksaan:

misalnya file yang dibuat terlihat seperti ini

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

model.ckpt-55695.index

model.ckpt-55695.meta

coba ini

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

saat memanggil 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")

Jika Anda melatih CNN dengan putus sekolah, misalnya, Anda dapat melakukan ini:

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})