TensorFlow, ¿por qué hay 3 archivos después de guardar el modelo?

Después de leer los documentos , guardé un modelo TensorFlow, aquí está mi código de demostración:

# 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)

pero después de eso, encontré que hay 3 archivos

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

Y no puedo restaurar el modelo restaurando el model.ckptarchivo, ya que no existe tal archivo. Aqui esta mi codigo

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

Entonces, ¿por qué hay 3 archivos?

Prueba esto:

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

El método de guardado de TensorFlow guarda tres tipos de archivos porque almacena la estructura del gráfico por separado de los valores de las variables . El .metaarchivo describe la estructura del gráfico guardado, por lo que debe importarlo antes de restaurar el punto de control (de lo contrario, no sabe a qué variables corresponden los valores guardados del punto de control).

Alternativamente, puede hacer esto:

# 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")

Aunque no hay ningún archivo con nombre model.ckpt, aún se refiere al punto de control guardado por ese nombre al restaurarlo. Del saver.pycódigo fuente :

Los usuarios solo necesitan interactuar con el prefijo especificado por el usuario ... en lugar de cualquier nombre de ruta física.

• archivo meta : describe la estructura del gráfico guardado, incluye GraphDef, SaverDef, etc. luego aplica tf.train.import_meta_graph('/tmp/model.ckpt.meta'), restaurará Savery Graph.

• archivo de índice : es una tabla inmutable string-string (tensorflow :: table :: Table). Cada clave es un nombre de un tensor y su valor es un BundleEntryProto serializado. Cada BundleEntryProto describe los metadatos de un tensor: cuál de los archivos de "datos" contiene el contenido de un tensor, el desplazamiento en ese archivo, la suma de comprobación, algunos datos auxiliares, etc.

• archivo de datos : es la colección TensorBundle, guarda los valores de todas las variables.

Estoy restaurando incrustaciones de palabras entrenadas del tutorial de Word2Vec tensorflow.

En caso de que haya creado varios puntos de control:

por ejemplo, los archivos creados se ven así

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

model.ckpt-55695.index

model.ckpt-55695.meta

prueba esto

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

al llamar a 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")

Si entrenó a una CNN con deserción, por ejemplo, podría hacer esto:

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})