自学教程：基于tensorflow权重文件的解读

1.解读tensorflow权重文件,透过 tf.train.NewCheckpointReader函数。

2.reader.get_variable_to_shape_map()可以得到权重文件里面的tensor名称。

3.reader.get_tensor(key) 可以得到对应tensor的权重值。

import tensorflow as tfcpktFileName = 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权重 tensor name解读

第一，每个tensor name都以resnet_v2_152开头

第二，tensor name第二段为block，共有四个block。与网络架构有关。

第三，第三字段为unit，每个block里面unit数量不同。与网络架构有关。

第四，除了组后的平坦层，第四字段都为bottleneck_v2

第五，第五字段为‘conv1'，‘conv2'，‘conv3'，‘shortcut'

第六，第六字段为‘weights' or ‘biases'

补充：tensorflow模型的调用，权重查看

以vc版本的tensorpack说明

模型调用

每次运行，会有checkpoint、graph、model生成

1、其中，若文件夹已经有checkpoint，且写有自动掉用上次模型，可以在上次的基础上继续训练，否则重新生成，且不能调用之前的模型，即使已经存在

2、每次运行会重新生成graph，即使上次的已经存在，因此调用上次模型与文件夹中是否有graph无关

权重变量查看

import numpy as npimport tensorflow as tfimport sysmodel = 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是网络参数名，val是维度    except:        passw0 = reader.get_tensor(tensor)np.save('con1d_w.npy',w0)print(type(w0))print(w0.shape)print(w0[0])

文件内容

chekpoint—记录了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference时，可以通过修改这个文件，指定使用哪个model

MyModel.meta文件保存的是图结构，meta文件是pb（protocol buffer）格式文件，包含变量、op、集合等。

ckpt文件是二进制文件，保存了所有的weights、biases、gradients等变量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通过两个文件保存,如：

MyModel.data-00000-of-00001MyModel.index

以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。