TensorFlow

2023-03-17 15:54| 来源: 网络整理| 查看: 265

我们在训练好模型的时候，通常是要将模型进行保存的，以便于下次能够直接的将训练好的模型进行载入。

1.保存模型

首先需要建立一个saver，然后在session中通过saver的save即可将模型保存起来，具体的代码流程如下

# 前面的是定义好的模型结构

# 前面的代码是模型的定义代码 saver = tf.train.Saver() # 生成saver with tf.Session() as sess: sess.run(init) # 模型的初始化 # # 模型的训练代码，当模型训练完毕后，下面就可以对模型进行保存了 # saver.save(sess, "model/linear") # 当路径不存在时，会自动创建路径

2.载入模型

将模型保存后，在保存的路径中，可以看到生成的模型路径，下面我们就能够加载模型了：

saver = tf.train.Saver() with tf.Session() as sess: # 可以对模型进行初始化，也可以不进行模型的初始化，因为后面的加载会覆盖之前的 # 初始化操作 sess.run(init) saver.restore(sess, "model/linear")

下面我们以linearmodel为例进行讲解：

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import os train_x = np.linspace(-5, 3, 50) train_y = train_x * 5 + 10 + np.random.random(50) * 10 - 5 plt.plot(train_x, train_y, 'r.') plt.grid(True) plt.show() X = tf.placeholder(dtype=tf.float32) Y = tf.placeholder(dtype=tf.float32) w = tf.Variable(tf.random.truncated_normal([1]), name='Weight') b = tf.Variable(tf.random.truncated_normal([1]), name='bias') z = tf.multiply(X, w) + b cost = tf.reduce_mean(tf.square(Y - z)) learning_rate = 0.01 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) init = tf.global_variables_initializer() training_epochs = 20 display_step = 2 saver = tf.train.Saver() if __name__ == '__main__': with tf.Session() as sess: sess.run(init) if os.path.exists("model/"): saver.restore(sess, "model/linear") w_, b_ = sess.run([w, b]) print(" Finished ") print("W: ", w_, " b: ", b_) plt.plot(train_x, train_x * w_ + b_, 'g-', train_x, train_y, 'r.') plt.grid(True) plt.show() else: loss_list = [] for epoch in range(training_epochs): for (x, y) in zip(train_x, train_y): sess.run(optimizer, feed_dict={X: x, Y: y}) if epoch % display_step == 0: loss = sess.run(cost, feed_dict={X: x, Y: y}) loss_list.append(loss) print('Iter: ', epoch, ' Loss: ', loss) w_, b_ = sess.run([w, b], feed_dict={X: x, Y: y}) saver.save(sess, "model/linear") print(" Finished ") print("W: ", w_, " b: ", b_, " loss: ", loss) plt.plot(train_x, train_x * w_ + b_, 'g-', train_x, train_y, 'r.') plt.grid(True) plt.show()

3.查看模型的内容

from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file modeldir = 'model/' print_tensors_in_checkpoint_file(modeldir + 'linear.cpkt', None, True)

在上述使用saver的代码中，我们还可以将参数放入Saver中实现指定存储参数的功能，可以指定存储变量名字和变量的对应关系，如下形式：

saver = tf.train.Saver({'weight_':w, 'bias_':b}) # saver = tf.train.Saver([w, b])

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章