TensorFlow:保存和提取模型

描述

在训练神经网络模型的时候,当模型训练完之后,确切地说当训练的session关闭之后,我们训练出来的模型参数会全部丢失,从而无法有效复用模型,而TensorFlow中提供了很好地保存模型和提取模型的方法。

 

结果

如果你搭建的网络模型没有问题的话,那么在对应的文件目录下将会看到16个文件,TensorFlow只会保存最近5次的模型,每一个模型会有三个文件,外加一个checkpoint文件,下图我的一个示例:

 

各文件说明

checkpoint文件保存了一个目录下所有的模型文件列表,这个文件是tf.train.Saver类自动生成且自动维护的。

.meta文件保存了TensorFlow计算图的结构,可以理解为神经网络的网络结构 ,TensorFlow通过元图(MetaGraph)来记录计算图中节点的信息以及运行计算图中节点所需要的元数据。

.data-00000-of-00001文件保存了TensorFlow程序中每一个变量的取值,这个文件是通过SSTable格式存储的,可以大致理解为就是一个(key,value)列表。

.index是对应模型的索引文件

 

参考:https://www.jianshu.com/p/c3a7f5c47b83

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlow 中,我们可以使用 tf.train.Saver() 类来保存和加载模型参数,包括网络权重和偏置。下面是一个示例代码,用于保存和加载一个简单的全连接神经网络的权重和偏置: ```python import tensorflow as tf # 定义一个简单的全连接神经网络 x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) # 定义损失函数和优化器 y_ = tf.placeholder(tf.float32, [None, 10]) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 创建一个 Saver 对象 saver = tf.train.Saver() # 训练模型保存参数 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(1000): batch_xs, batch_ys = ... # 获取训练数据 sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) saver.save(sess, './model.ckpt') # 保存模型参数 # 加载模型参数并进行推理 with tf.Session() as sess: saver.restore(sess, './model.ckpt') # 加载模型参数 # 进行推理 ... ``` 在上面的代码中,我们首先定义了一个简单的全连接神经网络,并定义了损失函数和优化器。然后创建了一个 Saver 对象,用于保存和加载模型参数。在训练过程中,我们使用 sess.run() 函数运行 train_step 操作,并在训练结束后使用 saver.save() 方法保存模型参数。在推理过程中,我们使用 saver.restore() 方法加载模型参数,并进行推理。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值