tensorflow模型保存后继续训练_TensorFlow 训练模型的保存&加载

什么是Tensorflow的模型

Tensorflow的模型主要包括神经网络的架构设计(或者称为计算图的设计)和已经训练好的网络参数。因此，Tensorflow模型包括的主要文件：

“.meta”：包含了计算图的结构

“.data”：包含了变量的值

“.index”：确认checkpoint

“checkpiont”：一个protocol buffer，包含了最近的一些checkpoints

存储一个Tensorflow的模型

当我们训练的神经网络模型的损失函数或者精度收敛时，我们需要把参数或者网络结构存储起来。如果我们想要存储整个网络结构和该网络的所有参数，我们需要创建一个tf.train.Saver()的实例。Tensorflow变量的作用域仅在Session内部。因此，我们必须在一个Session的内部存储有关的数据。

saver.save(sess,'my_test_model')

sess是我们创建的一个Session实例，my_test_model是我们给模型的命名。

具体的实例：

import tensorflow as tf

w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')

w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')

saver = tf.train.Saver()

sess = tf.Session()

sess.run(tf.global_variables_initializer())

saver.save(sess, './my_test_model')

sess.close()

执行上述语句，我们会同级目录下看到新增的文件：

my_test_model.data-00000-of-00001

my_test_model.index

my_test_model.meta

如果网络架构更改了，Tensorflow会重写上述的文件。

如果我们想要每1000步保存一次，那么需要更改语句：

saver.save(sess, 'my_test_model', global_step=1000)

那么当训练时，我们会每1000次迭代存储一次模型。.meta会在第一次到达1000次迭代时创建，之后的每千步，就不需要在重新创建.meta文件了。只要图的架构 不更改，就不需要重新