TensorFlow - 恢复（如果存在）

只有存在时才可以恢复变量吗？这样做的最习惯的方式是什么？TensorFlow - 恢复（如果存在）

例如，考虑下面的小例子：

import tensorflow as tf 
import glob 
import sys 
import os 

with tf.variable_scope('volatile'): 
    x = tf.get_variable('x', initializer=0) 

with tf.variable_scope('persistent'): 
    y = tf.get_variable('y', initializer=0) 
    add1 = tf.assign_add(y, 1) 

saver = tf.train.Saver(tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, 'persistent')) 

sess = tf.InteractiveSession() 
tf.global_variables_initializer().run() 
tf.get_default_graph().finalize() 

print('save file', sys.argv[1]) 
if glob.glob(sys.argv[1] + '*'):  
    saver.restore(sess, sys.argv[1]) 

print(sess.run(y)) 
sess.run(add1) 
print(sess.run(y)) 
saver.save(sess, sys.argv[1])

当使用相同的参数运行两次，程序首先打印0\n1然后1\n2预期。现在假设您通过在persistent范围内的add1之后添加z = tf.get_variable('z', initializer=0)来更新您的代码以具有新功能。再次运行这个时候，老保存文件存在将具有以下突破：

NotFoundError（见上文回溯）：在检查点没有找到关键持久/ Z [节点：保存/ RestoreV2_1 = RestoreV2 [dtypes = [DT_INT32]，_device =“/ job：localhost/replica：0/task：0/device：CPU：0”]（_ arg_save/Const_0_0，save/RestoreV2_1/tensor_names，save/RestoreV2_1/shape_andslices）]] [ Node：save/Assign_1/_18 = _Recvclient_terminated = false，recv_device =“/ job：localhost/replica：0/task：0/device：GPU：0”，send_device =“/ job：localhost/replica：0/task：0/device：CPU：0“，send_device_incarnation = 1，tensor_name =”edge_12_save/Assign_1“，tensor_type = DT_FLOAT，_device =”/ job：localhost/replica：0/task：0/device：GPU：0“]]

来源

2017-12-27 VF1

您可以使用下面的功能恢复（从here拍摄）：

def optimistic_restore(session, save_file, graph=tf.get_default_graph()): 
    reader = tf.train.NewCheckpointReader(save_file) 
    saved_shapes = reader.get_variable_to_shape_map() 
    var_names = sorted([(var.name, var.name.split(':')[0]) for var in tf.global_variables() 
      if var.name.split(':')[0] in saved_shapes])  
    restore_vars = []  
    for var_name, saved_var_name in var_names:    
     curr_var = graph.get_tensor_by_name(var_name) 
     var_shape = curr_var.get_shape().as_list() 
     if var_shape == saved_shapes[saved_var_name]: 
      restore_vars.append(curr_var) 
    opt_saver = tf.train.Saver(restore_vars) 
    opt_saver.restore(session, save_file)

我通常运行sess.run(tf.global_variables_initializer())，以确保所有的变量初始化，然后我跑optimistic_restore(sess,...)恢复它可以是变量恢复。

来源

2017-12-28 02:00:53 Lior

您可以创建两个保存程序，一个用于恢复检查点中的变量，另一个用于保存检查点和新添加的变量中的变量。为了恢复检查点中的变量，绑定到保存器的所有变量应该在检查点（这就是错误发生的原因），并且如果以这种方式执行操作，则应该先恢复所有变量，然后再恢复部分定义的变量存在于检查点中。

来源

2017-12-28 02:01:20 lerner

TensorFlow - 恢复（如果存在）

回答

相关问题