tensorflow使用笔记（四）

tensorflow使用笔记（四）

---

tensorflow使用笔记（一）Session的两种使用方式和tensorflow中的变量
tensorflow使用笔记（二）简单神经网络模型的搭建
tensorflow使用笔记（三）tensorboard可视化
tensorflow使用笔记（四）模型的保存和重载

---

模型的保存

在tensorflow中，模型保存后会有四个文件：（保存模型的文件路径：G:/project/python/MNIST/demo/test_model）
文件结构：

checkpoint

该文件记录了保存的最新的checkpoint文件和其他的checkpoint文件列表

meta

该文件保存的是图结构，保存了变量、操作、结合等

data、 index

这两个文件保存了所有的变量，在tensorflow0.11版本之前是一个文件（ckpt），现在是两个

保存模型

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 定义两个变量
W = tf.Variable([1, 1], dtype=tf.float32, name='weights')
b = tf.Variable(1, dtype=tf.float32, name='b')
# 初始化变量
init = tf.global_variables_initializer()
# 构建Session
with tf.Session() as sess:
    sess.run(init)
    # 保存模型
    saver = tf.train.Saver()
    # 保存模型到 G:/project/python/MNIST/demo/test_model/model1
    model1 = saver.save(sess, save_path='G:/project/python/MNIST/demo/test_model/model1')

保存完就产生四个文件：

接下来我们就可以重新加载模型，读取保存的数据等；
我们也可以用tensorboard来查看我们保存的图结构：（不会使用tensorboard看这里）

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 定义两个变量
with tf.name_scope('variable'):
    W = tf.Variable([1, 1], dtype=tf.float32, name='weights')
    b = tf.Variable(1, dtype=tf.float32, name='b')
# 初始化变量
init = tf.global_variables_initializer()
# 构建Session
with tf.Session() as sess:
    sess.run(init)
    # 保存模型
    saver = tf.train.Saver()
    print(W.name)
    # 这是我们用tensorboard来看看我们的图
    write = tf.summary.FileWriter('logs/', sess.graph)

    # 保存模型到 G:/project/python/MNIST/demo/test_model/model1
    model1 = saver.save(sess, save_path='G:/project/python/MNIST/demo/test_model/model1')

可以看到我们刚保存的变量在图中；

模型重载

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 构建Session
with tf.Session() as sess:
    # 加载图
    saver = tf.train.import_meta_graph("G:/project/python/MNIST/demo/test_model/model1.meta")
    # 加载数据
    saver.restore(sess, tf.train.latest_checkpoint("G:/project/python/MNIST/demo/test_model"))

    # 使用图中的数据
    graph = tf.get_default_graph()
    # 把保存的W 赋给w
    w = graph.get_tensor_by_name(name='weights:0')
    print(sess.run(w))