如何保存和恢复TensorFlow训练的模型

如不雅深层神经收集模型的复杂度异常高的话，那么练习它可能须要相当长的一段时光，当然这也取决于你拥有的数据量，运行模型的硬件等等。在大年夜多半情况下，你须要经由过程保存文件来保障你实验的稳定性，防止如不雅中断(或一个缺点)，你可以或许持续大年夜没出缺点的处所开端。

更重要的是，对于任何深度进修的框架，像TensorFlow，在成功的练习之后，你须要从新应用模型的进修参数来完查对新数据的猜测。

若何保存和恢复TensorFlow练习的模型

在这篇文┞仿中，我们来看一下若何保存和恢复TensorFlow模型，我们在此介绍一些最有效的办法，并供给一些例子。

1. 起首我们将快速介绍TensorFlow模型

TensorFlow的重要功能是经由过程张量来传递其根本数据构造类似于NumPy中的多维数组，而图表则表示数据计算。它是一个符号库，这意味着定义图形和张量将仅创建一个模型，而获取张量的具体值和操作将在会话(session)中履行，会话(session)一种在图中履行建模操作的机制。会话封闭时，张量的任何具体值都邑损掉，这也是运行会话后将模型保存到文件的另一个原因。

无论若何，在这个例子中，我们将应用我们定义的练习数据tf，并且可视化模型拟合。

经由过程示例可以赞助我们更轻易懂得，所以让我们为二维数据的线性回归创建一个简单的TensorFlow模型。

起首，我们将导入我们的看魏

import tensorflow as tf   
import numpy as np   
import matplotlib.pyplot as plt   
%matplotlib inline

下一步是创建模型。我们将生成一个模型，它将以以下的情势估算二次函数的水平和垂直位移：

y = (x - h) ^ 2 + v

# Clear the current graph in each run, to avoid variable duplication 
tf.reset_default_graph() 
# Create placeholders for the x and y points 
X = tf.placeholder("float")   
Y = tf.placeholder("float") 
# Initialize the two parameters that need to be learned 
h_est = tf.Variable(0.0, name='hor_estimate')   
v_est = tf.Variable(0.0, name='ver_estimate') 
# y_est holds the estimated values on y-axis 
y_est = tf.square(X - h_est) + v_est 
# Define a cost function as the squared distance between Y and y_est 
cost = (tf.pow(Y - y_est, 2)) 
# The training operation for minimizing the cost function. The 
# learning rate is 0.001 
trainop = tf.train.GradientDescentOptimizer(0.001).minimize(cost)

在创建模型的过程中，我们须要有一个在会话中运行的模型，并且传递一些真实的数据。我们生成一些二次数据(Quadratic data)，并给他们添加噪声。

# Use some values for the horizontal and vertical shift 
h = 	
			 1/5    1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　开发人员该如何对超级计算机进行编程？
            
            
                
                    
                
                有些编程技巧针对的是当前或者将来的超等计算机，固然它们已经存在了很长时光，但如今很多开辟人员并没有对这>>>详细阅读


本文标题：如何保存和恢复TensorFlow训练的模型
地址：http://www.17bianji.com/lsqh/38364.html
 1/2    1