TensorFlow 笔记（五）：模型保存和恢复

---

保存与读取模型

在使用tf来训练模型的时候，难免会出现中断的情况。这时候自然就希望能够将辛辛苦苦得到的中间参数保留下来，不然下次又要重新开始。好在tf官方提供了保存和读取模型的方法。

保存模型的方法：

# 之前是各种构建模型graph的操作(矩阵相乘，sigmoid等等....)

saver = tf.train.Saver() # 生成saver

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer()) # 先对模型初始化

    # 然后将数据丢入模型进行训练blablabla

    # 训练完以后，使用saver.save 来保存
    saver.save(sess, "save_path/file_name") #file_name如果不存在的话，会自动创建
  
  
1
2
3
4
5
6
7
8
9
10
11
  
  

   
   
  
  
  
  
1
2
3
4
5
6
7
8
9
10
11

将模型保存好以后，载入也比较方便，如下所示：

saver = tf.train.Saver()

with tf.Session() as sess:
    #参数可以进行初始化，也可不进行初始化。即使初始化了，初始化的值也会被restore的值给覆盖
    sess.run(tf.global_variables_initializer())     
    saver.restore(sess, "save_path/file_name") #会将已经保存的变量值resotre到 变量中。
  
  
1
2
3
4
5
6
  
  

   
   
  
  
  
  
1
2
3
4
5
6

简单的说，就是通过saver.save来保存模型，通过saver.restore来加载模型。