模型持久化的目的在于可以使模型训练后的结果重复使用，节省重复训练模型的时间。

模型保存

train.Saver类是TensorFlow提供的用于保存和还原模型的API，使用非常简单。

import tensorflow as tf# 声明两个变量并计算其加和
a = tf.Variable(tf.constant([1.0, 2.0], shape=[2]), name='a')
b = tf.Variable(tf.constant([3.0, 4.0], shape=[2]), name='b')
result = a + b# 初始化全部变量的操作
init_op = tf.global_variables_initializer()
# 定义 Saver 类对象用于保存模型
saver = tf.train.Saver()with tf.Session() as sess:sess.run(init_op)saver.save(sess, "./model/model.ckpt")

上面的代码实现了一个简单的TensorFlow模型持久化的功能。

save()函数的sess参数用于指定要保存的模型会话，save_path参数用于指定路径。

通过Saver类的save()函数将TensorFlow模型保存到一个指定路径下的model.ckpt文件中。

（TensorFlow模型一般会保存在文件名为.ckpt的文件中，可以省略后缀名，但是好的编程习惯是对其加以指定）

虽然上面的程序只制定了一个文件路径，但是在这个文件目录下回出现4个文件：

checkpoint文件是一个文本文件，保存了一个目录下所有的模型文件列表。该文件会被自动更新，当有更多模型被保存到model目录下时，文件内容会更新为最新的训练模型。
model.ckpt.data-00000-of-00001文件是一个二进制文件，保存了TensorFlow中每一个变量的取值。
model.ckpt.index文件是一个二进制文件，保存了每一个变量的名称，是一个string-string的table，其中table的key值为tensor名，value值为BundleEntryProto。
model.ckpt.meta文件是一个二进制文件，保存了计算图的结构。

将一个模型文件分成多个文件保存的原因是TensorFlow会将模型的计算图结构以及参数的取值分开来保存。

模型加载

TensorFlow也提供了相应的函数来加载保存的模型。

with tf.Session() as sess:saver.restore(sess, "./model/model.ckpt")print(sess.run(result))

输出：

加载模型的代码和保存模型的代码相似，但是省略了初始化全部变量的过程。

使用restore()函数需要在模型参数恢复前定义计算图上的所有运算，并且变量名需要与模型存在的变量名保持一致，这样就可以将变量的值通过已保存的模型加载进来。

有时我们可能不希望重复定义计算图上的计算，太繁琐了，TensorFlow提供了import_meta_graph()函数加载模型的计算图。

import_meta_graph()函数的输入参数为.meta文件的路径，返回一个Saver类实例，再调用这个实例的restore()函数就可以恢复参数了。

saver = tf.train.import_meta_graph("./model/model.ckpt.meta")with tf.Session() as sess:saver.restore(sess, "./model/model.ckpt")# 获取默认计算图上指定节点处的张量print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0")))

输出：

.ckpt.meta文件保存了计算图的结构，通过import_meta_graph()函数将计算图导入到程序中并传递给saver，之后在会话中通过restore()函数对该计算图中变量的值进行加载。

get_tensor_by_name()函数用于获取指定节点处的张量(add:0 表示add节点的第一个输出)。

TensorFlow模型持久化相关推荐

Tensorflow模型持久化与恢复
Tensorflow模型简单点说,一个tensorflow模型包含了神经网络的结构(graph)和通过训练得到的一系列神经网络的参数. 神经网络的结构(graph)即神经网络的节点(nodes)及其 ...
tensorflow模型持久化方法
#测试模型持久化 v1 = tf.Variable(tf.constant(1.,shape=[2,2]),name='v1') v2 = tf.Variable(tf.constant(1.,sha ...
【TensorFlow】TensorFlow从浅入深系列之十三 -- 教你深入理解模型持久化（模型保存、模型加载）
本文是<TensorFlow从浅入深>系列之第13篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
5.2 TensorFlow:模型的加载,存储,实例
背景之前已经写过TensorFlow图与模型的加载与存储了,写的很详细,但是或闻有人没看懂,所以在附上一个关于模型加载与存储的例子,CODE是我偶然看到了,就记下来了.其中模型很巧妙,比之前nump ...
ONNX系列四 --- 使用ONNX使TensorFlow模型可移植
目录 TensorFlow简介安装和导入转换器快速浏览模型将TensorFlow模型转换为ONNX 摘要和后续步骤参考文献下载源547.1 KB 系列文章列表如下: ONNX系列一 --- ...
TensorFlow模型保存和提取方法
2019独角兽企业重金招聘Python工程师标准>>> 一.TensorFlow模型保存和提取方法 1. TensorFlow通过tf.train.Saver类实现神经网络模型的保存 ...
TensorFlow模型保存和提取方法（含滑动平均模型）
一.TensorFlow模型保存和提取方法 1. TensorFlow通过tf.train.Saver类实现神经网络模型的保存和提取.tf.train.Saver对象saver的save方法将Tens ...
tensorflow模型固化
1 tensorflow模型固化 1.1 训练时直接固化成pb文件 import tensorflow as tf from tensorflow.python.framework import gr ...
干货 | tensorflow模型导出与OpenCV DNN中使用
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|OpenCV学堂 OpenCV DNN模块 Deep N ...

TensorFlow模型持久化

模型保存

模型加载

TensorFlow模型持久化相关推荐

最新文章

热门文章