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 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 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是网络参数名，val是维度
   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-00001
MyModel.index

来源：https://blog.csdn.net/qq_43258953/article/details/102886973