保存和提取使用tensorflow训练的模型，以mnist数据集和lenet5为例

最新推荐文章于 2024-04-27 08:14:10 发布

繁华三千东流水

最新推荐文章于 2024-04-27 08:14:10 发布

阅读量564

点赞数

分类专栏： tensorflow下的深度学习算法思想及实现文章标签： tensorflow模型保存 tensorflow模型提取迁移学习

本文链接：https://blog.csdn.net/qq872890060/article/details/101751408

版权

本文介绍了如何在TensorFlow中保存和提取模型，以MNIST手写数字识别数据集和LeNet5网络为例。训练过程中涉及加载数据、前向传播、反向传播和模型保存。提取模型时，需加载测试数据并进行前向传播计算。模型保存时，会生成data、index和meta三个文件，meta文件包含graph结构，index文件为string-string映射，data文件存储变量值。默认保存最近5个模型，新模型会覆盖最早的模型。

摘要由CSDN通过智能技术生成

如果你想保存在tensorflow上辛苦训练了很久的模型，随时地去使用它
tensorflow将上述过程分成了两个部分：
训练和保存
提取和使用
训练部分为：加载训练数据，前向传播计算，代价函数评估，反向传播更新，保存
提取部分为：
加载测试数据（格式与训练数据保持一致）
前向传播计算（框架与训练部分一致）
我将以经典的手写数字识别数据集和lenet5框架举例

代码：训练与保存篇

# 导入tensorflow框架
import tensorflow as tf
import numpy as np
# 导入mnist数据集输入方法
from tensorflow.examples.tutorials.mnist import input_data

# 随机种子
tf.set_random_seed(1)

# 读取数据 如果数据存在则直接读取，如果不存在，则联网下载
mnist = input_data.read_data_sets(r'MNIST_data')

# 构建模型
# 数据样本本身是一行784个特征的像素矩阵
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.int64,[None])
# 将像素矩阵转为卷积网络识别的图片格式
x_img = tf.reshape(x,[-1,1,28,28])
x_img = tf.transpose(x_img,perm=[0,2,3,1])

# 前向传播计算
conv1_1 = tf.layers.conv2d(x_img,8,(3,3),padding='same',activation=tf.nn.relu,name='conv1_1')
pool1 = tf.layers.max_pooling2d(conv1_1,(2,2),(2,2),name='pool1')

conv2_1 = tf.layers.conv2d(pool1,