使用tensorflow版本为1.12
在训练过程中保存模型
def save(sess, save_path):
"""save_path is a file path"""
self.saver.save(sess, save_path=save_path)
预测或updating模型时,加载模型
def restore(model_save_path):
if os.path.isdir(model_save_path):
# 根据目录名称来获取最新的模型的文件路径
model_file_path = tf.train.latest_checkpoint(checkpoint_dir=dir_name)
else:
model_file_path = model_save_path
saver = tf.train.saver()
saver.restore(sess, save_path=mdoel_file_path)
加载最新训练的模型的方法具体的流程:
checkpoint_dir中有一个checkpoint文件,里面记录了所有保存的模型的路径和model_checkpoint_path
变量。其中model_checkpoint_path
记录了最新的一个模型的路径,调用tf.train.latest_checkpoint()
函数,得到的就是这个路径。
总结
- tensorflow 使用
tf.train.saver()
的save()
和restore()
函数来保存和加载模型 save
和restore
函数需要两个参数一个是session,另一个模型的文件路径(注意不目录)
接下来的问题是:
- saver在什么时候初始化?
当保存模型时,saver在初始化Session的时候初始化,可以用作成员变量;
而在加载模型的时候需要单独的初始化saver,因为如果是train方法内实体化的saver在restore方法无法使用。 - session在什么时候初始化?
在Model()实体化后,再实例化Session,再使用session来init所有的变量,否则会报变量没有实体化的错误。