如何在TensorFlow中查看ResNet_v1_101 checkpoint的层数及层详情？

嘿，我来帮你搞定这个问题！在TensorFlow里查看ResNet checkpoint的层数和各层细节，有几种实用的方法，根据你的TensorFlow版本和是否有模型结构定义，可以灵活选择：

如果只是想快速查看checkpoint里所有可训练变量的名称和形状，不用构建完整模型，用tf.train.list_variables就可以搞定，这是最省事的方式：

import tensorflow as tf

# 替换成你的checkpoint路径
ckpt_path = "resnet_v1_101.ckpt"

# 列出checkpoint中的所有变量
var_list = tf.train.list_variables(ckpt_path)

# 输出统计和详细信息
print(f"这个checkpoint里一共有 {len(var_list)} 个可训练变量：")
for var_name, var_shape in var_list:
    print(f"变量名: {var_name}, 形状: {var_shape}")

从变量名里你就能推断出对应的层，比如resnet_v1_101/conv1/weights就是第一层卷积的权重参数，resnet_v1_101/block1/unit_1/bottleneck_v1/conv1/weights则对应第一个残差块里的卷积层参数。

如果你有ResNet101的模型结构定义（不管是TF2的Keras风格还是TF1的静态图风格），加载checkpoint后可以更直观地查看每一层的类型、输出形状和参数数量：

针对TensorFlow 2.x（Keras API） #

如果你的checkpoint是适配Keras的，或者可以通过load_weights加载，用官方的ResNet实现很方便：

from tensorflow.keras.applications import ResNet101

# 先初始化一个不带预训练权重的ResNet101模型（确保结构和你的checkpoint匹配）
model = ResNet101(weights=None, include_top=False)  # include_top根据你的checkpoint调整

# 加载你的本地checkpoint
model.load_weights("resnet_v1_101.ckpt")

# 查看模型总层数
print(f"模型总共有 {len(model.layers)} 层")

# 逐层输出详细信息
for idx, layer in enumerate(model.layers):
    print(f"\n=== 第 {idx+1} 层 ===")
    print(f"层名称: {layer.name}")
    print(f"层类型: {type(layer).__name__}")
    print(f"输出形状: {layer.output_shape}")
    # 输出可训练参数数量（如果有的话）
    if layer.trainable_weights:
        total_params = sum(tf.size(w).numpy() for w in layer.trainable_weights)
        print(f"可训练参数数: {total_params}")

针对TensorFlow 1.x（静态图风格） #

如果你的checkpoint是TF1时代的（比如用slim库训练的），需要用TF1的API来加载：

import tensorflow as tf
from tensorflow.contrib.slim.nets import resnet_v1

# 构建ResNet101的模型结构
tf.reset_default_graph()
inputs = tf.placeholder(tf.float32, shape=[None, 224, 224, 3])
with tf.contrib.slim.arg_scope(resnet_v1.resnet_arg_scope()):
    _, end_points = resnet_v1.resnet_v1_101(inputs, is_training=False)

# 初始化Saver来加载checkpoint
saver = tf.train.Saver()

with tf.Session() as sess:
    saver.restore(sess, "resnet_v1_101.ckpt")
    
    # 查看所有层的输出信息
    print("各层详细信息：")
    for layer_name, tensor in end_points.items():
        print(f"层名称: {layer_name}, 输出形状: {tensor.shape}")
    
    # 也可以查看所有变量的详情
    all_vars = tf.global_variables()
    print(f"\n总变量数量: {len(all_vars)}")
    for var in all_vars:
        print(f"变量名: {var.name}, 形状: {var.shape}")

• 确保模型结构和checkpoint完全匹配：比如你的checkpoint是ResNet101的v1版本，就不能用v2的模型结构加载，否则会报错。
• TF1和TF2的checkpoint格式有差异，如果TF2加载TF1的checkpoint遇到问题，可以尝试用tf.compat.v1.train.Saver兼容加载。
• 如果变量名有前缀差异（比如checkpoint里的变量带resnet_v1_101/前缀，而模型里没有），可以在初始化Saver或者加载权重时调整前缀映射。

内容的提问来源于stack exchange，提问作者user1050619