TensorFlow学习笔记

保存训练参数，并再下一次训练时直接使用

1、保存模型：
下面展示一些 内联代码片。

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True)   # 加入回调函数，返回给callback
history = model.fit(x_train,y_train,batch_size=32,epochs=5,validation_data=(x_test,y_test),validation_freq=1,
                    callbacks=[cp_callback])    # 训练时加入callbacks参数，将callback赋值给history

2、读取模型（load.weight(路径文件名））

checkpoint_save_path = './checkpoint/mnist.ckpt' 	 # 确定文件存储路径

if os.path.exists(checkpoint_save_path + '.index'):		#  若查询到和参数文件同步生成的index文件则直接读取
    print('_______________load the model________________')
    model.load_weights(checkpoint_save_path)

提取可训练参数

两种方式，第一种，通过修改print的打印方式直接打印。第二种，通过将参数存入txt文本文档
1、直接打印

np.set_printoptions(threshold=np.inf)
print(model.trainable_variables)

2、存入文本

file = open('./weights.txt','w')    # 存入txt文本文件
for v in model.trainable_variables:
    file.write(str(v.name)+'\n')
    file.write(str(v.shape)+'\n')
    file.write(str(v.numpy()) + '\n')
file.close()

可视化acc/loss，查看训练效果

其实，在model.fit过程种已经同步记录了，训练集/测试集loss，训练集/测试集准确率。

# 若存在history = model.fit()
acc = history.history['sparse_categorical_accuracy']
val_acc = history.history['val_sparse_categorical_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

plt.subplot(1,2,1)  # 将图像分为1行2列,第一列
plt.plot(acc,label = 'Training Accuracy')
plt.plot(val_acc,label = 'Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.legend() 	 # 画出图例


plt.subplot(1,2,2)  # 将图像分为1行2列，第二列
plt.plot(loss,label = 'Training Loss')
plt.plot(val_loss,label = 'Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()	 #  画出图例
plt.show()

给图实物（练习）

前向传播执行应用

predict(输入特征，batch_size = 整数）

1、复现模型（前向传播）

model = tf,keras.model.Sequential([
	tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(10,activation='softmax')
	])

2、加载参数

model.load_weights(model_save_path)

3、预测结果
result = model.perdict(x_predict)