学习TensorFlow，保存学习到的网络结构参数并调用

最新推荐文章于 2020-04-01 23:21:56 发布

何雷

最新推荐文章于 2020-04-01 23:21:56 发布

阅读量2.4w

点赞数 5

分类专栏： TensorFlow 学习TensorFlow 文章标签： TensorFlow save variables restore variables

本文链接：https://blog.csdn.net/helei001/article/details/51697658

版权

在深度学习中，不管使用那种学习框架，我们会遇到一个很重要的问题，那就是在训练完之后，如何存储学习到的深度网络的参数？在测试时，如何调用这些网络参数？针对这两个问题，本篇博文主要探索TensorFlow如何解决他们？本篇博文分为三个部分，第一是讲解tensorflow相关的函数，第二是代码例程，第三是运行结果。

一 tensorflow相关的函数

我们说的这两个功能主要由一个类来完成，class tf.train.Saver

saver = tf.train.Saver()
save_path = saver.save(sess, model_path)
load_path = saver.restore(sess, model_path)

saver = tf.train.Saver() 由类创建对象saver，用于保存和调用学习到的网络参数，参数保存在checkpoints里

save_path = saver.save(sess, model_path) 保存学习到的网络参数到model_path路径中

load_path = saver.restore(sess, model_path) 调用model_path路径中的保存的网络参数到graph中

二代码例程

'''
Save and Restore a model using TensorFlow.
This example is using the MNIST database of handwritten di

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

何雷

关注关注

5
点赞
踩
13

收藏

觉得还不错? 一键收藏
7
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

Ｔensorflow使用笔记（１）　怎么保存和使用训练好的参数和模型

yat_chiu的博客

06-03

1万+

在TensorFlow中遇到的问题1如何保存好训练的结果：最近在学习Tensorflow 构建CNN，训练需要耗费时间，把训练好的各个参数保存下来是最简便的，网上有很多教程假设会话为sess，计算图为graph 网上看了很多资料，使用 saver=tf.train.Saver() # 不传入参数代表默认存入全部参数saver.saver(sess,'model,ckpt')这样来保存模型

TensorFlow 和 PyTorch 显示模型参数方法详解

最新发布

qlkaicx的博客

07-08

444

在深度学习中，了解和显示模型参数是模型开发和调试的重要环节。不同的深度学习框架提供了不同的方式来查看模型的结构和参数。在 PyTorch 中，显示模型参数和结构的方法与 TensorFlow 不同。方法非常直观，输出模型的总体结构、每层的名称、输出形状以及参数数量。在 TensorFlow 和 PyTorch 中，显示模型参数和结构的方法各有特点。在 TensorFlow 中，特别是使用 Keras 接口时，我们通常使用。，我们可以获得模型所有参数的详细信息，包括参数的名称和尺寸。来显示模型的参数和结构。

7 条评论您还未登录，请先登录后发表或查看评论

tensorflow保存网络参数并调用迁移参数

nini_coded的博客

02-08

2952

为了节省训练时间和训练所需资源等，我们常常直接利用以前（或别人）训练好的网络模型，加载模型中保存好的各项参数，继续训练或者迁移到其他相似任务中微调参数，或者直接测试使用。参数保存： tensorflow中一般使用Saver类中的tf.train.Saver.save()方法保存网络参数，它会在我们设定的参数文件夹中生成三个二进制文件：checkpoints(ckpt)，它们保存的是所有参数名...

求助：如何保存级联神经网络中部分网络参数

qq_40490503的博客

04-15

317

我预先训练好了根据结构预测透射谱的正向网络，然后将一个可以根据给定透射谱预测器件结构的逆向神经网络接在正向网络前形成级联神经网络，固定正向网络的参数通过训练级联神经网络实现对逆向网络的训练。但是我在训练级联神经网络时只能保存整个网络的结构参数，而实际上我只需要保存逆向网络的网络参数而不需要正向网络的参数。我想问一下有没有办法单独保存逆向网络的参数或者从.h5文件中提取逆向网络对应的部...

TensorFlow学习笔记(六) tensorflow 中的保存训练的参数以及载入参数检测test集

像风一样

04-01

1117

如何保存训练好的参数以前面练习的一个小例子，来保存训练好的参数：请参考点击打开链接import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data from tensorflow import float32 #载入数据，会自动通过一个脚本下载好数据集 mnist = input_data.rea...

学习TensorFlow，TensorBoard可视化网络结构和参数

热门推荐

何雷

07-06

6万+

在学习深度网络框架的过程中，我们发现一个问题，就是如何输出各层网络参数，用于更好地理解，调试和优化网络？针对这个问题，TensorFlow开发了一个特别有用的可视化工具包：TensorBoard，既可以显示网络结构，又可以显示训练过程中各层参数的变化情况。本博文分为四个部分，第一部分介绍相关函数，第二部分是代码测试，第三部分是运行结果，第四部分介绍相关参考资料。

对tensorflow 的模型保存和调用实例讲解

09-20

在TensorFlow中，当我们完成模型的训练工作后，通常会把模型的结构、权重、偏置等参数信息保存到磁盘中，这样做的好处是可以将训练好的模型部署到不同的环境中去，或者在需要时重新加载模型，避免重复训练。...

使用Tensorflow框架完美保存并实现调用训练好的模型（是模型不是参数哦、全网首篇）

Rainmaple‘s Blog

05-26

3万+

众所周知，Tensorflow在机器学习、深度学习领域有着广泛的应用。博主最近就Tensorflow进行了简单的学习，当我完成简单的回归模型以及CNN的训练后，一个想法油然而生，怎样将训练好的模型保存呢？保存之后又该怎么调用呢？于是，我查阅了很多相关资料，经过很多的测试，终于…成功了！现将如何保存和调用训练好的模型总结如下（提一下，本文以CNN为例了，数据集是众所周知的MNIST）： 1...

tensorflow1.0学习之模型的保存与恢复(Saver)

09-20

# 定义网络结构... # loss和optimizer... # accuracy计算... # 创建Saver对象 saver = tf.train.Saver() with tf.Session() as sess: # 初始化变量... # 训练模型... # 在训练完成后保存模型 saver.save(sess,...

tensorflow学习笔记——模型参数的保存与调用

qq_40692109的博客

02-04

976

在训练前定义一个模型saver： saver = tf.train.Saver() 然后在图后面将图保存到模型中： saver.save(sess,'net/my_net.ckpt') 训练完成后对应路径下将会生成训练好的模型参数文件：在调用训练好的模型参数时，使用restore将参数调用到图中： saver.restore(sess,'net/my_net.ckp...

tensorflow获取预训练模型某层参数并赋值到当前网络指定层

曲草的博客

04-01

6319

已经有了一个预训练的模型，我需要从其中取出某一层，把该层的weights和biases赋值到新的网络结构中，可以使用tensorflow中的pywrap_tensorflow(用来读取预训练模型的参数值)结合Session.assign()进行操作。这种需求即预训练模型可能为单分支网络，当前网络为多分支，我需要把单分支A复用到到多个分支去（B，C，D）。先导入对应的工具包 from tens...

Tensorflow学习--无隐藏层实现mnist数据集及保存读取模型

yuyang_z的博客

02-24

263

下列代码有一些不太明白的函数可以在W3Cschool中的TensorFlow官方文档https://www.w3cschool.cn/tensorflow_python/中查找。如tf.reset_default_graph()函数https://www.w3cschool.cn/tensorflow_python/tensorflow_python-nmgf2idd.html i...

【机器学习】TensorFlow模型保存与恢复

孟知之的搬砖填坑历险记

02-12

414

文章目录1 Tensorflow模型是什么？1.1 Meta graph1.2 Checkpoint file2 保存一个Tensorflow模型3 导入模型3.1 加载网络4 如何恢复任何一个预训练好的模型 1 Tensorflow模型是什么？ Tensorflow模型主要包含网络的设计或者图（graph），和我们已经训练好的网络参数的值。因此Tensorflow模型有两个主要的文件： 1.1 ...

tensorflow之模型集参数的保存

hh_2018的博客

04-25

2273

最近在研究移动端的时候涉及到了模型的冰冻，即将训练得到的模型生成对应的pb文件。因此研究了一下tensorflow中的几种保存模型的方式，具体如下：一、save保存。 save保存一定要在session中进行，并且save保存时会保存所有的参数信息，而这些信息是我们不一定需要的。并且save保存一般保存的是所有的网络和参数。 save的存储 tf.global_va...

如何选择深度学习优化器

qunnie_yi的博客

06-12

4674

作者：不会停的蜗牛 CSDN AI专栏作家在很多机器学习和深度学习的应用中，我们发现用的最多的优化器是 Adam，为什么呢？下面是 TensorFlow 中的优化器， https://www.tensorflow.org/api_guides/python/train在 keras 中也有 SGD，RMSprop，Adagrad，Adadelta，Adam 等： https://ker...

TensorFlow优化算法 tf.train.AdamOptimizer 简介

python内置函数set()

04-01

2845

AdamOptimizer是TensorFlow中实现Adam算法的优化器。Adam即Adaptive Moment Estimation（自适应矩估计），是一个寻找全局最优点的优化算法，引入了二次梯度校正。Adam 算法相对于其它种类算法有一定的优越性，是比较常用的算法之一。一、算法流程初始化：更新规则：二、参数定义 __init__( learning_rate=0.0...

tensorflow调用保存好的模型

04-29

要调用保存好的 TensorFlow 模型，可以使用以下步骤： 1. 定义模型结构和训练过程。 2. 创建一个 `tf.train.Saver` 对象，用于保存和恢复模型。 3. 在训练结束后，调用 `saver.save()` 方法保存模型。 4. 在测试或预测过程中，使用 `tf.train.import_meta_graph()` 方法加载模型的图结构。 5. 创建一个 `tf.Session` 对象，并使用 `saver.restore()` 方法恢复模型的参数。 6. 在 `Session` 中执行模型的前向传播操作，获取预测结果。以下是一个简单的示例代码，展示如何加载保存好的 TensorFlow 模型： ```python import tensorflow as tf # 定义模型结构和训练过程 x = tf.placeholder(tf.float32, [None, 784], name='x') y = tf.placeholder(tf.float32, [None, 10], name='y') w = tf.Variable(tf.zeros([784, 10]), name='w') b = tf.Variable(tf.zeros([10]), name='b') logits = tf.matmul(x, w) + b loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y)) train_op = tf.train.GradientDescentOptimizer(0.5).minimize(loss) # 创建 Saver 对象 saver = tf.train.Saver() with tf.Session() as sess: # 恢复模型的图结构 saver = tf.train.import_meta_graph('model.ckpt.meta') # 加载模型的参数 saver.restore(sess, 'model.ckpt') # 获取模型的输入和输出张量 graph = tf.get_default_graph() x = graph.get_tensor_by_name('x:0') y = graph.get_tensor_by_name('y:0') logits = graph.get_tensor_by_name('add:0') # 执行模型的前向传播操作 predictions = tf.argmax(logits, axis=1) test_data = ... test_labels = ... feed_dict = {x: test_data, y: test_labels} results = sess.run(predictions, feed_dict=feed_dict) ``` 在上述代码中，我们首先定义了一个简单的模型结构和训练过程，并使用 `tf.train.Saver` 对象保存了模型。在测试或预测过程中，我们使用 `tf.train.import_meta_graph()` 方法加载了模型的图结构，并使用 `saver.restore()` 方法恢复了模型的参数。然后，我们通过 `graph.get_tensor_by_name()` 方法获取了模型的输入和输出张量，并执行了模型的前向传播操作，获取了预测结果。