Tensorflow学习（二）之——保存加载模型、Saver的用法

1. Saver的背景介绍

我们经常在训练完一个模型之后希望保存训练的结果，这些结果指的是模型的参数，以便下次迭代的训练或者用作测试。Tensorflow针对这一需求提供了Saver类。

Saver类提供了向checkpoints文件保存和从checkpoints文件中恢复变量的相关方法。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值。
只要提供一个计数器，当计数器触发时，Saver类可以自动的生成checkpoint文件。这让我们可以在训练过程中保存多个中间结果。例如，我们可以保存每一步训练的结果。
为了避免填满整个磁盘，Saver可以自动的管理Checkpoints文件。例如，我们可以指定保存最近的N个Checkpoints文件。

2. tf.train.get_checkpoint_state

tf.train.get_checkpoint_state函数通过checkpoint文件找到模型文件名。

tf.train.get_checkpoint_state(checkpoint_dir,latest_filename=None)

该函数返回的是checkpoint文件CheckpointState proto类型的内容，其中有model_checkpoint_path和all_model_checkpoint_paths两个属性。其中model_checkpoint_path保存了最新的tensorflow模型文件的文件名，all_model_checkpoint_paths则有未被删除的所有tensorflow模型文件的文件名。

1.参数cheackpoint_dir: 模型所在的文件夹名字

3.实例展示

获取一个文件例子：

import tensorflow as tf
import numpy as npx = tf.placeholder(tf.float32, shape=[None, 1])
y = 4 * x + 4w = tf.Variable(tf.random_normal([1], -1, 1))
b = tf.Variable(tf.zeros([1]))
y_predict = w * x + bloss = tf.reduce_mean(tf.square(y - y_predict))
optimizer = tf.train.GradientDescentOptimizer(0.6)
train = optimizer.minimize(loss)isTrain = False
train_steps = 10
checkpoint_steps = 5
checkpoint_dir = ''saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b
x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))with tf.Session() as sess:sess.run(tf.initialize_all_variables())if isTrain:for i in xrange(train_steps):sess.run(train, feed_dict={x: x_data})if (i + 1) % checkpoint_steps == 0:saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)else:ckpt = tf.train.get_checkpoint_state(checkpoint_dir)if ckpt and ckpt.model_checkpoint_path:saver.restore(sess, ckpt.model_checkpoint_path)         #ckpt.model_checkpoint_path就是模型的路径名字。表示获取最新的tensorflow模型文件的文件名else:passprint(sess.run(w))print(sess.run(b))#isTrain：用来区分训练阶段和测试阶段，True表示训练，False表示测试
#train_steps：表示训练的次数
#checkpoint_steps：表示训练多少次保存一下checkpoint
#checkpoint_dir：表示checkpoints文件的保存路径，例子中使用当前路径

获取多有模型例子：

with tf.Session() as sess:            ckpt=tf.train.get_checkpoint_state('Model/')print(ckpt)if ckpt and ckpt.all_model_checkpoint_paths:#加载模型#这一部分是有多个模型文件时，对所有模型进行测试验证for path in ckpt.all_model_checkpoint_paths:saver.restore(sess,path)                global_step=path.split('/')[-1].split('-')[-1]accuracy_score=sess.run(accuracy,feed_dict=validate_feed)print("After %s training step(s),valisation accuracy = %g"%(global_step,accuracy_score))else:print('No checkpoint file found')return#time.sleep(eval_interval_secs)return

Tensorflow学习（二）之——保存加载模型、Saver的用法相关推荐

pytorch学习笔记（6）：GPU和如何保存加载模型
参考文档:https://mp.weixin.qq.com/s/kmed_E4MaDwN-oIqDh8-tg 上篇文章我们完成了一个 vgg 网络的实现,那么现在已经掌握了一些基础的网络结构的实现,距 ...
图片预加载学习(二)：有序加载之图片切换
基本效果同前一篇,业务有所变化:前一篇是先显示进度条待所有的图片加载完成了再显示图片,这一篇是先显示第一张图片然后依次加载其他图片(比较适合于有内容的图片,人在看第一张图片时程序默默的加载后面的图片) ...
6.2 模型保存 --- 加载和保存模型结构权重
一.只保存/加载模型的结构保存模型的结构,而非其权重或训练配置项: json_string = model.to_json() model.save('my_model.h5') my_model_ ...
Pytorch 保存和加载模型
当保存和加载模型时,需要熟悉三个核心功能: 1. torch.save :将序列化对象保存到磁盘.此函数使用Python的 pickle 模块进行序列化.使用此函数可以保存如模型.tensor.字典 ...
【pytorch】（六）保存和加载模型
文章目录保存和加载模型保存加载模型参数保存加载模型和参数保存和加载模型 import torch from torch import nn from torch.utils.data impo ...
tensorflow中保存模型、加载模型做预测（不需要再定义网络结构）
下面用一个线下回归模型来记载保存模型.加载模型做预测参考文章: http://blog.csdn.net/thriving_fcl/article/details/71423039 训练一个线下回归 ...
tensorflow 1.x Saver(保存与加载模型) 预测
20201231 tensorflow 1.X 模型保存 https://blog.csdn.net/qq_35290785/article/details/89646248 保存模型 saver=t ...
网页怎么预先加载模型_使用预先训练的模型进行转移学习
网页怎么预先加载模型深度学习 (Deep Learning) 什么是转学? (What is Transfer Learning?) Transfer learning is a research ...
OpenGL教程翻译第二十二课使用Assimp加载模型
第二十二课使用Assimp加载模型原文地址:http://ogldev.atspace.co.uk/(源码请从原文主页下载) 背景到现在为止我们都在使用手动生成的模型.正如你所想的,指明每个顶点 ...

Tensorflow学习（二）之——保存加载模型、Saver的用法

1. Saver的背景介绍

2. tf.train.get_checkpoint_state

3.实例展示

Tensorflow学习（二）之——保存加载模型、Saver的用法相关推荐

最新文章

热门文章