模型的保存和读取

1.tensorflow保存和读取模型：tf.train.Saver() .save()#保存模型需要用到save函数

save(

sess,

save_path,

global_step=None,

latest_filename=None,

meta_graph_suffix='meta',

write_meta_graph=True,

write_state=True

)

'''

sess: 保存模型要求必须有一个加载了计算图的会话，而且所有变量必须已被初始化。

save_path: 模型保存路径及保存名称

global_step: 如果提供的话，这个数字会添加到save_path后面，用于区分不同训练阶段的结果

'''

示例：#例子

import tensorflow as tf

import numpy as np

import os

#用numpy产生数据

x_data = np.linspace(-1,1,300)[:, np.newaxis] #转置

noise = np.random.normal(0,0.05, x_data.shape)

y_data = np.square(x_data)-0.5+noise

#输入层

x_ph = tf.placeholder(tf.float32, [None, 1])

y_ph = tf.placeholder(tf.float32, [None, 1])

#隐藏层

w1 = tf.Variable(tf.random_normal([1,10]))

b1 = tf.Variable(tf.zeros([1,10])+0.1)

wx_plus_b1 = tf.matmul(x_ph, w1) + b1

hidden = tf.nn.relu(wx_plus_b1)

#输出层

w2 = tf.Variable(tf.random_normal([10,1]))

b2 = tf.Variable(tf.zeros([1,1])+0.1)

wx_plus_b2 = tf.matmul(hidden, w2) + b2

y = wx_plus_b2

#损失

loss = tf.reduce_mean(tf.reduce_sum(tf.square(y_ph-y),reduction_indices=[1]))

train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#保存模型对象saver

saver = tf.train.Saver()

#判断模型保存路径是否存在，不存在就创建

if not os.path.exists('tmp/'):

os.mkdir('tmp/')

#初始化

with tf.Session() as sess:

if os.path.exists('tmp/checkpoint'): #判断模型是否存在

saver.restore(sess, 'tmp/model.ckpt') #存在就从模型中恢复变量

else:

init = tf.global_variables_initializer() #不存在就初始化变量

sess.run(init)

for i in range(1000):

_,loss_value = sess.run([train_op,loss], feed_dict={x_ph:x_data, y_ph:y_data})

if(i%50==0):

save_path = saver.save(sess, 'tmp/model.ckpt')

print("迭代次数：%d , 训练损失：%s"%(i, loss_value))

每调用一次保存操作会创建后3个数据文件并创建一个检查点(checkpoint)文件，简单理解就是权重等参数被保存到 .chkp.data 文件中，以字典的形式；图和元数据被保存到 .chkp.meta 文件中，可以被 tf.train.import_meta_graph 加载到当前默认的图。

2.keras保存和读取模型

model.save(filepath)，同时保存model和权重的import numpy as np

from keras.datasets import mnist

from keras.utils import np_utils

from keras.models import Sequential

from keras.layers import Dense

from keras.optimizers import SGD

# 载入数据

(x_train,y_train),(x_test,y_test) = mnist.load_data()

# (60000,28,28)

print('x_shape:',x_train.shape)

# (60000)

print('y_shape:',y_train.shape)

# (60000,28,28)->(60000,784)

x_train = x_train.reshape(x_train.shape[0],-1)/255.0

x_test = x_test.reshape(x_test.shape[0],-1)/255.0

# 换one hot格式

y_train = np_utils.to_categorical(y_train,num_classes=10)

y_test = np_utils.to_categorical(y_test,num_classes=10)

# 创建模型，输入784个神经元，输出10个神经元

model = Sequential([

Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')

])

# 定义优化器

sgd = SGD(lr=0.2)

# 定义优化器，loss function，训练过程中计算准确率

model.compile(

optimizer = sgd,

loss = 'mse',

metrics=['accuracy'],

)

# 训练模型

model.fit(x_train,y_train,batch_size=64,epochs=5)

# 评估模型

loss,accuracy = model.evaluate(x_test,y_test)

print('\ntest loss',loss)

print('accuracy',accuracy)

# 保存模型

model.save('model.h5')