(1) 应用SavedModel Builder保存模型

接下来我们测验测验应用SavedModelBuilder类完成模型的保存。在我们的示例中，我们不应用任何符号，但也足以解释该过程。

tf.reset_default_graph() 
# Re-initialize our two variables 
h_est = tf.Variable(h_est2, name='hor_estimate2')   
v_est = tf.Variable(v_est2, name='ver_estimate2') 
 
# Create a builder 
builder = tf.saved_model.builder.SavedModelBuilder('./SavedModel/') 
 
# Add graph and variables to builder and save 
with tf.Session() as sess:   
    sess.run(h_est.initializer) 
    sess.run(v_est.initializer) 
    builder.add_meta_graph_and_variables(sess, 
                                       [tf.saved_model.tag_constants.TRAINING], 
                                       signature_def_map=None, 
                                       assets_collection=None) 
builder.save() 

(1) 保存模型

$ python tf_saved_model_builder.py 
INFO:tensorflow:No assets to save.   
INFO:tensorflow:No assets to write.   
INFO:tensorflow:SavedModel written to: b'./SavedModel/saved_model.pb' 

运行此代码时，你会留意到我们的模型已保存到位于“./SavedModel/saved_model.pb”的文件中。

也可以应用以下敕令摸索当前图形tf.get_default_graph()。接着第二步是加载变量的值。提示：值仅存在于会话(session)中。

(2) 应用SavedModel Loader法度榜样恢复模型

模型恢复应用tf.saved_model.loader，并且可以恢复会话范围中保存的变量，符号。

个中h是水平和v是垂直的变更。

鄙人面的例子中，我们将加载模型，并打印出我们的两个系数(h_est和v_est)的数值。数值如预期的那样，我们的模型已经被成功地恢复了。

with tf.Session() as sess:   
    tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.TRAINING], './SavedModel/') 
    h_est = sess.run('hor_estimate2:0') 
    v_est = sess.run('ver_estimate2:0') 
    print("h_est: %.2f, v_est: %.2f" % (h_est, v_est)) 

$ python tf_saved_model_loader.py 
INFO:tensorflow:Restoring parameters from b'./SavedModel/variables/variables'   	
			
 4/5   首页 上一页 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