restore not found的錯誤(問題2)

最近在寫gan，那麼就牽扯到在一個session中加載兩個圖，restore的時候會有問題。如這篇文章寫的（http://blog.csdn.net/u014659656/article/details/53954793），見文末

因此關鍵就是構造的Saver 最好帶Variable參數，這樣加載第二個圖的時候纔不會找不到變量。

這個issue裏寫的比較好：https://github.com/tensorflow/tensorflow/issues/212

最終解決方案：

all_vars = tf.all_variables()
model_one_vars = [k for k in all_vars if k.name.startswith(FLAGS.model_one_scope)]
model_two_vars = [k for k in all_vars if k.name.startswith(FLAGS.model_two_scope)]
j_pq_vars    = [k for k in all_vars if k.name.startswith('j_pq')]

tf.train.Saver(model_one_vars).restore(sess, model_one_checkpoint)
tf.train.Saver(model_two_vars).restore(sess, model_two_checkpoint)

saver = tf.train.Saver(j_pq_vars)

 

 

 

model.py,裏面含有 ModelV 和 ModelP，另外還有 modelP.py 和 modelV.py 分別只含有 ModelP 和 ModeV 這兩個對象，先使用 modelP.py 和 modelV.py 分別訓練好模型，而後再在 model.py 里加載進來：

# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print(v.name) self.saver.restore(self.sess, self.save_path) print "ModelV restored." print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.saver = tf.train.Saver() self.sess = tf.Session() def train(self): self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) self.saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): all_vars = tf.trainable_variables() for v in all_vars: print v.name self.saver.restore(self.sess, self.save_path) print "ModelP restored." print 'p2', self.p2.eval(self.sess) print '---------------------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()

 

這裏 tf.global_variables_initializer() 很關鍵！ 儘管你是分別在對象 ModelP 和 ModelV 內部分配和定義的 tf.Variable()，即 v1 v2 和 p1 p2，可是 對 tf 這個模塊而言， 這些都是全局變量，能夠經過如下代碼查看全部的變量，你就會發現同一個文件中同時運行 ModelP 和 ModelV 在初始化以後都打印出了同樣的變量，這個是問題的關鍵所在：

all_vars = tf.trainable_variables()
for v in all_vars: print(v.name)

 

錯誤。你能夠交換 modelP 和 modelV 初始化的順序，看看錯誤信息的變化

v1:0 v2:0 p1:0 p2:0 ModelV restored. v2 77 v1:0 v2:0 p1:0 p2:0 W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v2 not found in checkpoint W tensorflow/core/framework/op_kernel.cc:975] Not found: Key v1 not found in checkpoint

實際上，分開運行時，模型保存的參數是正確的，由於在一個模型裏的Variable就只有 v1 v2 或者 p1 p2; 可是在一個文件同時運行的時候，模型參數實際上保存的是 v1 v2 p1 p2四個，由於在默認狀況下，建立的Saver，會直接保存全部的參數。而 Saver.restore() 又是默認（無Variable參數列表時）按照已經定義好的全局模型變量來加載對應的參數值， 在進行 ModelV.predict時，按照順序（從debug能夠看出，應該是按照參數順序一次檢測）在模型文件中查找相應的 key，此時可以找到對應的v1 v2，加載成功，可是在 ModelP.predict時，在model_p的模型文件中找不到 v1 和 v2，只有 p1 和 p2， 此時就會報錯；不過這裏的 第一次加載 還有 p1 p2 找不到沒有報錯，解釋不通， 未完待續

Saver.save() 和 Saver.restore() 是一對， 分別只保存和加載模型的參數， 可是模型的結構怎麼知道呢? 必須是你定義好了，並且要和保存的模型匹配才能加載； 
若是想要在不定義模型的狀況下直接加載出模型結構和模型參數值，使用

# 加載 結構，即 模型參數 變量等 new_saver = tf.train.import_meta_graph("model_v/model.ckpt.meta") print "ModelV construct" all_vars = tf.trainable_variables() for v in all_vars: print v.name #print v.name,v.eval(self.sess) # v 都還未初始化，不能求值 # 加載模型 參數變量 的 值 new_saver.restore(self.sess, tf.train.latest_checkpoint('model_v/')) print "ModelV restored." all_vars = tf.trainable_variables() for v in all_vars: print v.name,v.eval(self.sess)

 

加載 結構，即 模型參數 變量等完成後，就會有變量了，可是不能訪問他的值，由於還未賦值，而後再restore一次便可獲得值了

那麼上述錯誤的解決方法就是這個改進版本的model.py；其實 tf.train.Saver 是能夠帶參數的，他能夠保存你想要保存的模型參數，若是不帶參數，極可能就會保存 tf.trainable_variables() 全部的variable，而 tf.trainable_variables()又是從 tf 全局獲得的，所以只要在模型保存和加載時，構造對應的帶參數的tf.train.Saver便可，這樣就會保存和加載正確的模型了

# -*- coding: utf8 -*- import tensorflow as tf class ModelV(): def __init__(self): self.v1 = tf.Variable(66, name="v1") self.v2 = tf.Variable(77, name="v2") self.save_path = "model_v/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.v1, self.v2]) self.sess.run(self.init) print 'v2', self.v2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelV saved." def predict(self): saver = tf.train.Saver([self.v1, self.v2]) all_vars = tf.trainable_variables() for v in all_vars: print v.name v_vars = [v for v in all_vars if v.name == 'v1:0' or v.name == 'v2:0'] print "ModelV restored." saver.restore(self.sess, self.save_path) for v in v_vars: print v.name,v.eval(self.sess) print 'v2', self.v2.eval(self.sess) print '------------------------------------------------------------------' class ModelP(): def __init__(self): self.p1 = tf.Variable(88, name="p1") self.p2 = tf.Variable(99, name="p2") self.save_path = "model_p/model.ckpt" self.init = tf.global_variables_initializer() self.sess = tf.Session() def train(self): saver = tf.train.Saver([self.p1, self.p2]) self.sess.run(self.init) print 'p2', self.p2.eval(self.sess) saver.save(self.sess, self.save_path) print "ModelP saved." def predict(self): saver = tf.train.Saver([self.p1, self.p2]) all_vars = tf.trainable_variables() p_vars = [v for v in all_vars if v.name == 'p1:0' or v.name == 'p2:0'] for v in all_vars: print v.name #print v.name,v.eval(self.sess) saver.restore(self.sess, self.save_path) print "ModelP restored." for p in p_vars: print p.name,p.eval(self.sess) print 'p2', self.p2.eval(self.sess) print '----------------------------------------------------------' if __name__ == '__main__': v = ModelV() p = ModelP() v.predict() #v.train() p.predict() #p.train()

 

小結： 構造的Saver 最好帶Variable參數，這樣保證 保存和加載可以正確執行