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\r
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。
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 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
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:
|
2019-06-18
2019-07-04
2021-05-23
2021-05-27
2021-05-27