TensorFlow实践（13）——保存和复用训练好的模型

（一）前 言

当模型训练完成之后，我们可以使用tf.train.Saver()方法将训练好的模型进行保存，以便于之后使用模型进行预测等任务，而不用重复训练。Saver构造方法的主要输入参数：

参数名称	功能说明	默认值
var_list	Saver存储的变量集合	全局变量集合
reshape	是否允许从checkpoint文件中恢复时改变变量形状	True
sharded	是否将checkpoint文件中的变量轮循放置在所有设备上	True
max_to_keep	保留最近的检查点的个数	5
restore_sequentially	是否按顺序恢复所有变量，当模型较大时顺序回复可以降低内存	True

（二）保存训练好的模型

接下来我们通过一个简单的例子演示如何保存训练好的模型：

import tensorflow as tf

# 创建一个TensorFlow变量
data = tf.Variable(tf.truncated_normal([2, 2]), name = 'data')
# 创建一个Saver，默认保存所有变量
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(data))
    saver.save(sess, 'C:/Users/12394/PycharmProjects/Spyder/test/model.ckpt')
# 输出：
[[-0.03797581 -0.1358492 ]
 [ 0.08680686  0.6192091 ]]

在对应的目录下，我们可以找到如下文件：

model.ckpt.meta保存了TensorFlow计算图的结构信息，model.ckpt保存每个变量的取值，此处文件名的写入方式会因不同参数的设置而不同，但加载restore时的文件路径名是以checkpoint文件中的“model_checkpoint_path”值决定的。

（三）重载保存的模型

现在我们重新载入已保存的模型文件，要注意一点，恢复模型时的数据流图结构要和保存时的相匹配才可以，不然无法恢复，下面我们来取回保存的数据：

import tensorflow as tf

# 创建一个TensorFlow变量
data = tf.Variable(tf.truncated_normal([2, 2]), name = 'data')
# 创建一个Saver，默认保存所有变量
saver = tf.train.Saver()

with tf.Session() as sess:
    # 注意此处不再需要初始化
    saver.restore(sess, 'C:/Users/12394/PycharmProjects/Spyder/test/model.ckpt')
    print(sess.run(data))
# 输出：
INFO:tensorflow:Restoring parameters from C:/Users/12394/PycharmProjects/Spyder/test/model.ckpt
[[-0.03797581 -0.1358492 ]
 [ 0.08680686  0.6192091 ]]

可以发现取回的数据与我们存储的数据相同，说明模型复用成功。

（四）总结

在本节中我们介绍了TensorFlow模型的保存和复用的方法，有任何的问题可以在评论区留言，我会尽快回复，谢谢支持!