文章目录
一、模型的保存
首先定义个 saver
saver = tf.train.Saver()
然后在模型训练完保存
saver.save(sess, 'net/my_net.ckpt')
完整代码
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)
# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
init = tf.global_variables_initializer()
# 结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) # argmax返回一维张量中最大的值所在的位置
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # cast把布尔类型转成浮点型,True为1.0,False为0
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
for epoch in range(21): # 训练21个周期
for batch in range(n_batch): # 训练所有的图片一次
batch_xs, batch_ys = mnist.train.next_batch(batch_size) # 获取batch_size大小的图片
sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
test_acc = sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})
train_acc = sess.run(accuracy, feed_dict={x: mnist.train.images, y: mnist.train.labels})
print("epoch: " + str(epoch) + ",Training Accuracy: " + str(train_acc) + ",Testing Accuracy: " + str(test_acc))
saver.save(sess, 'net/my_net.ckpt') #设置保存目录
在生成目录可以得出下面文件:
二、模型的载入来测试
载入代码
#定义saver
saver = tf.train.Saver()
#加载模型
saver.restore(sess, 'net/my_net.ckpt')
完整代码
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 载入数据集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
# 每个批次的大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
# 创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W) + b)
# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
init = tf.global_variables_initializer()
# 结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1)) # argmax返回一维张量中最大的值所在的位置
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # cast把布尔类型转成浮点型,True为1.0,False为0
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))#没有使用训练好的模型
saver.restore(sess, 'net/my_net.ckpt')
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels}))#使用了训练好的模型
运行结果:
0.098
0.934