当我们通过TensorFlow构建了一个训练模型,譬如人脸识别或场景分类网络,并且找到合适的数据集,经过较长时间的训练后,识别率令人满意,这时候我们希望把训练结果保存下来,下次使用时可以直接调用,而不需要重新训练。这就涉及到一个如何保存和加载TensorFlow训练参数的问题。
为方便使用者保存训练结果,TensorFlow提供了tf.train.Saver模块用于保存当前会话中所有的变量值(Variables)。当构建网络模型时,需要为待保存的变量指定name属性,如下所示:
W = tf.Variable(tf.zeros([784, 10]),name="var_W")
当后面进行加载恢复操作(restore)时,只需要指定变量名,就可以直接获取到上一次训练保存的变量值,代码如下:
W = sess.graph.get_tensor_by_name("var_W:0")
当训练结束时,只需要执行如下语句,即可保存训练结果到指定目录:
saver = tf.train.Saver()
saver_path = saver.save(sess,"%smodel.ckpt"%(SAVER_DIR))
上述操作可总结为:
1. 构建网络时为Variables指定名字;
2. 在完成训练迭代之后,调用tf.train.Saver()的save()函数,保存训练结果;
3. 在进行识别任务时&#x