tensorflow模型保存和加载

tensorflow保存模型和加载模型的方法

参考：

1. https://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/

1、首先计算图定义代码如下:

import tensorflow as tf

a = tf.placeholder(dtype=tf.float64,shape=[1,2],name="input_data")
b = tf.Variable(initial_value=1.0,dtype=tf.float64,name="b")
b = tf.assign(b,2)
out = tf.add(a,b,name="output_data")

saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.save(sess,save_path="./model/demo")
    # write_meta_graph和write_state置为False，则不保存checkpoint和.meta
    # saver.save(sess,save_path="./model/demo",
    #            write_meta_graph=False,
    #            write_state=False)

执行之后，在当前目录生成了一个model目录，包含4个文件，如下所示。

• 后缀为meta的文件保存了图结构，可以用tf.train.import_meta_graph加载保存的图结构。
• 后缀为data和index的文件保存了网络图中变量的值，通过saver = tf.train.Saver加载参数的时候提供这两个文件即可，因此可以把write_meta_graph和write_state置为False(请看上面的代码)，则不保存checkpoint和.meta。
• placeholder中的值不会保存。

2、加载保存的计算图
tf.train.Saver提供了一个restore()方法，恢复之前保存的变量，但是使用restore()之前必须将计算图定义一遍，也可以通过tf.train.import_meta_graph方法从.meta文件中读取图结构。

下面的例子在加载变量之前重新实现了一遍图结构。

import tensorflow as tf
import numpy as np

# 模型定义
a = tf.placeholder(dtype=tf.float64,shape=[1,2],name="input_data")
b = tf.Variable(initial_value=1.0,dtype=tf.float64,name="b")
b = tf.assign(b,2)
out = tf.add(a,b,name="output_data")
# 模型定义结束

saver = tf.train.Saver()
with tf.Session() as sess:
    model_file=tf.train.latest_checkpoint("./model/")
    saver.restore(sess,model_file)
    input_data = np.array([[10, 10]])
    print(sess.run("output_data:0", feed_dict={"input_data:0": input_data}))

下面的例子是从.meta文件中加载图结构。

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
    structure = tf.train.import_meta_graph("./model/demo.meta")
    structure.restore(sess,tf.train.latest_checkpoint("./model/"))
    input_data = np.array([[10,10]])

    out = sess.run("output_data:0",feed_dict={"input_data:0":input_data})
    print(sess.run("b:0"))
    print(out)