使用TensorFlow模型持久化保存和加载(案例实战)

最新推荐文章于 2022-12-03 16:38:58 发布

AI算法联盟

最新推荐文章于 2022-12-03 16:38:58 发布

阅读量230

点赞数 1

分类专栏： TensorFlow 2.0应用与实战

本文链接：https://blog.csdn.net/weixin_40922285/article/details/102522636

版权

这篇博客详细介绍了如何使用TensorFlow的tf.train.Saver()类保存和加载模型参数。内容包括tf.train.Saver()构造函数的参数解释，模型保存的4个文件类型以及save和load函数的使用方法，并提供了代码演示。

摘要由CSDN通过智能技术生成

一、语法解释

使用tf.train.Saver()类来保存模型的参数：

saver = tf.train.Saver()  #生成一个保存对象

然后在会话Session()中以当前环境Session为参数，保存训练好的模型参数到本地磁盘：

saver.save(sess,'model/mymodel') #保存到当前路径下的model文件中，并以mymodel为文件名前缀

tf.train.Saver()的构造函数定义：

def __init__(self,
               var_list=None,
               reshape=False,
               sharded=False,
               max_to_keep=5,
               keep_checkpoint_every_n_hours=10000.0,
               name=None,
               restore_sequentially=False,
               saver_def=None,
               builder=None,
               defer_build=False,
               allow_empty=False,
               write_version=saver_pb2.SaverDef.V2,
               pad_step_number=False,
               save_relative_paths=False,
               filename=None):

__init__参数说明:

var_list：Variable/ 的列表SaveableObject，或者将名称映射到SaveableObjects 的字典。如果None，默认为所有可保存对象的列表。
reshape：If True，允许从变量具有不同形状的检查点恢复参数。
sharded：如果True，将每个设备分成一个检查点。
max_to_keep：要保留的最近检查点的最大数量。默认为5。
keep_checkpoint_every_n_hours：保持检查站的频率。默认为10,000小时。
name：字符串。添加操作时用作前缀的可选名称。
restore_sequentially：A Bool，如果为true，则导致不同变量的恢复在每个设备中顺序发生。这可以在恢复非常大的模型时降低内存使用量。
saver_def：SaverDef使用可选的proto而不是运行构建器。这仅适用于想要Saver为先前构建的Graph具有a 的对象重新创建对象的专业代码Saver。该saver_def原型应该是返回一个 as_saver_def()的电话Saver说是为创建Graph。
builder：SaverBuilder如果saver_def未提供，则可以选择使用。默认为BulkSaverBuilder()。
defer_build：如果True，请将保存和恢复操作添加到 build()呼叫中。在这种情况下，build()应在最终确定图表或使用保护程序之前调用。
allow_empty：如果False（默认）如果图中没有变量则引发错误。否则，无论如何构建保护程序并使其成为无操作。
write_version：控制保存检查点时使用的格式。