如何保存和恢复TensorFlow训练的模型

print("h_est = %.2f, v_est = %.2f" % result)

$ python tf_save.py

h_est = 1.01, v_est = -1.96

Okay，参数是异常精确的。如不雅我们检查我们的文件体系，最后4次迭代中保存有文件以及最终的模型。

保存模型时，你会留意到须要4种类型的文件才能保存：

“.meta”文件：包含图形构造。
“.data”文件：包含变量的值。
“.index”文件：标识检查点。
“checkpoint”文件：具有比来检查点列表的协定缓冲区。

检查点文件保存稻磁逄

图1：检查点文件保存稻磁逄

调用tf.train.Saver()办法，如上所示，将所有变量保存到一个文件。经由过程将它们作为参数，神情经由过程列表或dict传递来保存变量的子集，例如：tf.train.Saver({‘hor_estimate’: h_est})。

Saver构造函数的一些其他有效的参数，也可以控制全部过程，它们是：

max_to_keep：最多保存的检查点数。
keep_checkpoint_every_n_hours：保存检查点的时光距离。如不雅你想要懂得更多信息，请查看官方文档的Saver类，它供给了其它有效的信息，你可以摸索查看。
Restoring Models

恢复TensorFlow模型时要做的第一件事就是将图形构造大年夜“.meta”文件加载到当前图形中。

tf.reset_default_graph()   
imported_meta = tf.train.import_meta_graph("model_final.meta")

$ python tf_restore.py 
INFO:tensorflow:Restoring parameters from ./model_final   
h_est: 1.01, v_est: -1.96

如前面所提到的，这种办法只保存图形构造和变量，这意味着经由过程占位符“X”和“Y”输入的练习数据不会被保存。

with tf.Session() as sess:   
    imported_meta.restore(sess, tf.train.latest_checkpoint('./')) 
    h_est2 = sess.run('hor_estimate:0') 
    v_est2 = sess.run('ver_estimate:0') 
    print("h_est: %.2f, v_est: %.2f" % (h_est2, v_est2))

plt.scatter(x_train, y_train, label='train data')   
plt.plot(x_train, (x_train - h_est2) ** 2 + v_est2, color='red', label='model')   
plt.xlabel('x_train')   
plt.ylabel('y_train')   
plt.legend()

Saver这个类许可应用一个简单的办法来保存和恢复你的TensorFlow模型(图形和变量)到/大年夜文件，并保存你工作中的多个检查点，这可能是有效的，它可以赞助你的模型在练习过程中进行微调。

以下是若何生成模型的过程(有关具体信息，请参阅代码中的注释)：

4. SavedModel格局(Format)

在TensorFlow中保存和恢复模型的一种新办法是应用SavedModel，Builder和loader功能。这个办法实际上是Saver供给的更高等其余序列化，它更合适于贸易目标。

固然这种SavedModel办法似乎不被开辟人员完全接收，但它的创作者指出：它显然是将来。与Saver重要存眷变量的类比拟，SavedModel测验测验将一些有效的功能包含在一个包中，例如Signatures:许可保存具有一组输入和输出的图形，Assets:包含初始化中应用的外部文件。

3/5 首页上一页 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