1.解讀tensorflow權重文件,透過 tf.train.NewCheckpointReader函數。
2.reader.get_variable_to_shape_map()可以得到權重文件里面的tensor名稱。
3.reader.get_tensor(key) 可以得到對應tensor的權重值。
import tensorflow as tf
cpktFileName = r'.\models\resnet_v2_152.ckpt'
reader = tf.train.NewCheckpointReader(cpktFileName)
for key in sorted(reader.get_variable_to_shape_map()):
if key.endswith('weights') or key.endswith('biases'):
keySplits = key.split(r'/')
print(key)
print(reader.get_tensor(key))
resnet_v2_152權重 tensor name解讀
第一，每個tensor name都以resnet_v2_152開頭
第二，tensor name第二段為block，共有四個block。與網絡架構有關。
第三，第三字段為unit，每個block里面unit數量不同。與網絡架構有關。
第四，除了組后的平坦層，第四字段都為bottleneck_v2
第五，第五字段為‘conv1'，‘conv2'，‘conv3'，‘shortcut'
第六，第六字段為‘weights' or ‘biases'
補充：tensorflow模型的調用，權重查看
以vc版本的tensorpack說明
模型調用
每次運行，會有checkpoint、graph、model生成
1、其中，若文件夾已經有checkpoint，且寫有自動掉用上次模型，可以在上次的基礎上繼續訓練，否則重新生成，且不能調用之前的模型，即使已經存在
2、每次運行會重新生成graph，即使上次的已經存在，因此調用上次模型與文件夾中是否有graph無關
權重變量查看
import numpy as np
import tensorflow as tf
import sys
model = sys.argv[1]
tensor = sys.argv[2]
reader = tf.train.NewCheckpointReader(model)
all_variables = reader.get_variable_to_shape_map()
#reader = pywrap_tensorflow.NewCheckpointReader(ckpt_path)
#param_dict = reader.get_variable_to_shape_map()
for key, val in all_variables.items():
try:
print key, val
#key是網絡參數名，val是維度
except:
pass
w0 = reader.get_tensor(tensor)
np.save('con1d_w.npy',w0)
print(type(w0))
print(w0.shape)
print(w0[0])
文件內容
chekpoint—記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時，可以通過修改這個文件，指定使用哪個model
MyModel.meta文件保存的是圖結構，meta文件是pb（protocol buffer）格式文件，包含變量、op、集合等。
ckpt文件是二進制文件，保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通過兩個文件保存,如：
MyModel.data-00000-of-00001
MyModel.index
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Tensorflow 1.0之后模型文件、權重數值的讀取方式
- tensorflow 保存模型和取出中間權重例子
- tensorflow 模型權重導出實例
- 在Tensorflow中查看權重的實現
- Tensorflow讀取并輸出已保存模型的權重數值方式
- tensorflow 輸出權重到csv或txt的實例
- TensorFlow中權重的隨機初始化的方法
