在深度学习中，我们经常需要使用预先训练好的模型或者获取一些已经训练好的参数(weight and bias)。在tensorflow中如何直接读取网络的参数呢？本文将从多个角度进行分析。
1. 使用tf.train.Saver()
在tensorflow中，我们通常使用tf.train.Saver()保存和恢复模型或者网络的参数。使用tf.train.Saver()可以方便地完成这个任务。示例代码如下：
import tensorflow as tf
# 假设模型有两个张量weights和biases
weights = tf.Variable(......)
biases = tf.Variable(......)
saver = tf.train.Saver()
# 训练模型
...
# 保存模型参数
saver.save(sess, './model.ckpt')
# 读取模型参数
saver.restore(sess, './model.ckpt')
# 使用模型
...
2. 使用tf.trainable_variables()
另一种直接读取tensorflow网络参数的方式是使用tf.trainable_variables()函数。tf.trainable_variables()函数会返回当前计算图中的所有可训练变量列表。
示例代码如下：
import tensorflow as tf
# 假设模型有两个张量weights和biases
weights = tf.Variable(......, name='weights')
biases = tf.Variable(......, name='biases')
# 获取所有可训练变量列表
all_variables = tf.trainable_variables()
# 根据变量名找到对应的变量
for var in all_variables:
if var.name == 'weights:0':
w = var
elif var.name == 'biases:0':
b = var
# 使用w和b
...
3. 使用tf.get_collection()
使用tf.get_collection()函数也可以方便地获取网络参数。tf.get_collection()函数返回指定名称的集合中所有的变量列表。
示例代码如下：
import tensorflow as tf
# 假设模型有两个张量weights和biases
weights = tf.Variable(......, name='weights')
biases = tf.Variable(......, name='biases')
# 将weights和biases添加到指定名称的集合中
tf.add_to_collection('my_collection', weights)
tf.add_to_collection('my_collection', biases)
# 获取指定名称集合中所有的变量列表
my_collection_vars = tf.get_collection('my_collection')
# 根据变量名找到对应的变量
for var in my_collection_vars:
if var.name == 'weights:0':
w = var
elif var.name == 'biases:0':
b = var
# 使用w和b
...
综上所述，我们可以通过几种不同的方式直接读取tensorflow网络的参数。在实际应用中，我们可以根据自己的需求选择不同的方法。
