TensorFlow模型持久化学习

最新推荐文章于 2022-12-03 16:38:58 发布

MirrorN

最新推荐文章于 2022-12-03 16:38:58 发布

阅读量501

点赞数

分类专栏： Tensorflow 文章标签： TensorFlow 持久化

本文链接：https://blog.csdn.net/sinat_34328764/article/details/85076135

版权

这篇博客介绍了如何使用TensorFlow保存和恢复训练好的模型。作者以MNIST数据集为例，构建了一个简单的神经网络，强调在定义输入数据、标签和计算正确率的节点时添加name属性，以便后续加载模型时使用。模型保存为四个文件，包括model.meta（模型结构）、model.index和model.data（模型参数）、checkpoint（模型文件列表）。恢复模型时，首先加载meta文件获取模型结构，然后在session中填充训练好的参数，最后通过占位符传入新数据进行预测。

摘要由CSDN通过智能技术生成

终于忙完课了，接着写博客哈哈~
本篇的主要内容：

一个测试持久化用的MNIST识别网络模型
对TensorFlow持久化代码做了解释

最近在想TensorFlow模型的持久化问题，毕竟每一次训练模型都是有够煎熬的~所以特意学习一下关于模型持久化的内容。

这里使用的例子是MNIST数据集的识别，在此之前，我写了一个简单的神经网络来训练识别，共有一个隐藏层，隐藏层有100个结点，完整的代码如下：

# 一层 100个节点的hidden layer的网络
# 测试和持久化网络结构

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

trainimg = mnist.train.images
trainlabel = mnist.train.labels
testimg = mnist.test.images
testlabel = mnist.test.labels
print('MNIST ready')

n_input = 784
n_output = 10
n_layer = 100
train_epoches = 20
batch_size = 500

with tf.name_scope("Input"):
    x = tf.placeholder(tf.float32, [None, n_input], name='inputx')
    y = tf.placeholder(tf.float32, [None, n_output], name='inputy')

with tf.name_scope("Parameters"):
    weights = tf.Variable(tf.random_normal([n_input, n_layer], stddev=0.1))
    biases = tf.Variable(tf.random_normal([n_layer], stddev=0.1))

with tf.name_scope("FC"):
    pred_y = tf.add(tf.matmul(x, weights), biases)

with tf.name_scope("Cost"):
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=pred_y, l