[Tensorflow] 학습 모델 저장하고 불러오는 방법 (Saver, Restore)

저는 주로 Jupyter notebook으로 작업을 합니다. 때문에 창을 끄거나 컴퓨터를 끄는 등 종료를 시키게 되면, 한번 학습했던 모델이 다 사라지게 되는데요. 우리가 만든 모델을 실생활에 사용하기 위해서는 학습 모델을 저장하고, 또 불러와서 사용할 수 있어야합니다.
MNIST 데이터셋에 대해 다룬 포스팅을 기준으로, 학습 모델을 저장하고 불러오는 방법에 대해 알아보겠습니다.

학습 모델 저장하기

위 포스팅에서 모델 중간에 아래 코드가 있습니다. 텐서플로우의 Saver을 통해 모델을 저장할 수 있습니다.

---

1 2 3 4 5 6 7

# 모델 저장을 위한 부분 import os save_file = './model_mnist.ckpt' SAVER_DIR = "modelMNIST" saver = tf.train.Saver() checkpoint_path = os.path.join(SAVER_DIR, "modelMNIST") ckpt = tf.train.get_checkpoint_state(SAVER_DIR)

cs

---

위 코드를 학습 이전에 실행합니다. 그 후, 학습을 할 때 아래와 같이 지정하고 싶은 주기별로 체크포인트를 생성합니다.

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

for epoch in range(training_epochs):     avg_cost = 0     avg_cost_test = 0     total_batch = int(mnist.train.num_examples / batch_size)          for i in range(total_batch):         batch_xs, batch_ys = mnist.train.next_batch(bach_size)         feed_dict = {X: batch_xs, Y: batch_ys}         summary, c, a, _ = sess.run([merged, cost, accuracy, optimizer], feed_dict = feed_dict)         avg_cost += c / total_batch                   # Tensorboard에서 epoch별 스칼라값 확인하기 위함     writer.add_summary(summary, global_step = epoch)          # epoch별 모델 체크포인트 저장     saver.save(sess, checkpoint_path, global_step = epoch)   Colored by Color Scripter

cs

---

저는 epoch 마다 저장하게 해놨습니다.

---

학습된 모델 불러오기

모델을 불러오기 위해서는 학습 모델의 기본 구조는 가지고 있어야합니다.
일단 기존 세션과 관계 없는 새로운 노트를 만든 후, 아래와 같이 기본 골격은 동일하게 설정합니다.

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

import tensorflow as tf   from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot = True) tf.set_random_seed(777) tf.reset_dafault_graph()   learning_rate = 0.001 training_epochs = 10 batch_size = 100   X = tf.placeholder(tf.float32, [None, 784]) X_img = tf.reshape(X, [-1, 28, 28, 1]) Y = tf.placeholder(tf.float32, [None, 10])     W1 = tf.Variable(tf.random_normal([3, 3, 1, 32], stddev = 0.01)) L1 = tf.nn.conv2d(X_img, W1, strides = [1, 1, 1, 1], padding = 'SAME') L1 = tf.nn.relu(L1) L1 = tf.nn.max_pool(L1, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME')     W2 = tf.Variable(tf.random_normal([3, 3, 32, 64], stddev = 0.01)) L2 = tf.nn.conv2d(L1, W2, strides = [1, 1, 1, 1], padding = 'SAME') L2 = tf.nn.relu(L2) L2 = tf.nn.max_pool(L2, ksize = [1, 2, 2, 1], strides = [1, 2, 2, 1], padding = 'SAME') L2_flat = tf.reshape(L2, [-1, 7*7*64])   W3 = tf.Variable(tf.random_normal([7*7*64, 10], stddev = 0.01)) b = tf.Variable(tf.random_normal([10])) logits = tf.matmul(L2_flat, W3) + b   cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = logits, labels = Y)) optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate).minimize(cost) correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

cs

---

모델에서 정의된 weight나 bias 등 계층 구조가 있어야 그 값을 불러올 수 있기 때문에 위와 같은 과정이 필요합니다. 그 후, 아래 코드를 통해 테스트 데이터셋을 검증해보겠습니다.

---

1 2 3 4 5 6 7 8

with tf.Session() as sess:     sess.run(tf.glbal_variables_initializer())     saver = tf.train.import_meta_graph('./model_mnist.ckpt.meta')     saver.restore(sess, tf.train.latest_checkpoint('./'))          test_accuracy = sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels})          print(test_accuracy) Colored by Color Scripter

cs

---

약 98%의 정확도를 가지는 것으로 결과가 확인됩니다. 즉, 모델이 잘 불러와진 것을 알 수 있습니다.