TensorFlow 模型的保存与恢复

1、在一个文件夹内保存和恢复单个模型

saver = tf.train.Saver()

sess = tf.Session()

# 保存

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

# 恢复

saver.restore(sess,save_path)  # save_path 与保存时的save_path相同

# 使用

model = Model()  # Model是以类的形式定义的一个模型，训练时也是通过这个类来获得模型的

x_input = model.x_input  # 在Model中以placeholder形式定义的输入

y_output = model.y_output  # 在Model中定义的输出

result = sess.run(y_output,feed_dict={x_input:data})

2、在一个文件加内按迭代次数保存多个模型

saver = tf.train.Saver(max_to_keep=n)  # 允许保存的模型数，默认为5，超过max_to_keep会把最开始保存的模型删除

sess = tf.Session()

# 保存

saver.save(sess,save_path，global_step=epoch)  # global_step,保存的模型的迭代次数

# 恢复,只能恢复最新的模型

model_path = tf.train.latest_checkpoint(save_path)  # 获得最新的模型路径 

saver.restore(sess,model_path)  

# 使用,与第一种方式一致

model = Model()  # Model是以类的形式定义的一个模型，训练时也是通过这个类来获得模型的

x_input = model.x_input  # 在Model中以placeholder形式定义的输入

y_output = model.y_output  # 在Model中定义的输出

result = sess.run(y_output,feed_dict={x_input:data})

3、恢复特定的参数

# 恢复

meta_path = save_path+'.meta'

saver = tf.train.import_meta_graph(meta_path)

graph = tf.get_default_graph()

input = graph.get_tensor_by_name('input_placeholder:0')  # input_placeholder:0 在模型定义时的名字

a_val = graph.get_tensor_by_name('a_val:0')
result = graph.get_tensor_by_name('output:0')

model_path = save_path

result = sess.run(result,feed_dict={input:data})  # 获得输出

a = sess.run(a_val)  # 获得模型中名字为a_val:0 的参数值