tensorflow保存训练好的模型以及使用模型

有时候我们训练好了一个模型，效果还不错。那么如何保存这个模型，以便下次有新的数据时可以使用这个模型来进行预测呢？接下来我就以我的上一篇博客为基础进行模型的保存。
完整代码见Github

保存模型

具体模型训练的代码在上一篇博客讲得很清楚了，这次主要在原有的基础上进行改进。读取数据的代码没有变动。
在定义占位符的时候，加上一行命名代码，主要是为了方便我们在调用模型的时候可以准确找到模型的接口（这个后面具体会讲）

with tf.name_scope('input'):  # 多加了这一句
    xs = tf.placeholder(dtype='float', shape=[None, 4], name='xs')
    ys = tf.placeholder(dtype='float', shape=[None, 3], name='ys')

同时，你需要模型的哪些中间结果都可以加上命名语句。比如我们想要模型输出：

with tf.name_scope('prediction'):
    output = tf.nn.softmax(tf.matmul(xs, W) + b, name='output')

还需要一个准确率：

with tf.name_scope('accuracy'):
    access = tf.equal(tf.argmax(output, 1), tf.argmax(ys, 1))
    accuracy = tf.reduce_mean(tf.cast(access, "float"), name='accuracy')

其实保存模型的代码没有什么变化，主要是给每个tensorflow节点命名，方便我们寻找。模型训练完毕的时候就可以保存了。

print('--------------------训练结束--------------------\n\n')
print('************************性能评价************************')
print('训练集准确率：', sess.run(accuracy, {xs: x_train, ys: y_train}))
print('测试集准确率：', sess.run(accuracy, {xs: x_test, ys: y_test}))
saver = tf.train.Saver()
saver.save(sess, '../model/iris_model.ckpt')
print('模型已保存')

比之前就多了两行代码，saver = tf.train.Saver()初始化函数，然后saver.save(sess, '你要保存的模型路径')
到这一步，模型就保存起来了。可以到你保存的模型文件夹下面看，会发现有四个文件

加载模型

模型保存好以后，接下来就可以使用我们训练好的模型去进行预测了。首先准备好我们的数据，格式要和之前训练模型的时候一样，这里我直接用测试集的数据

# 读取测试集数据
test = np.array(pd.read_csv('D:/tensorflow_exercise/data/iris_test.csv'))
x_test = test[:, 0:4]
rows = test.shape[0]
y_test = np.array(np.zeros([rows, 3]))
for r in range(rows):
    label = int(test[r][4])
    y_test[r][label] = 1

然后开始加载模型

sess = tf.Session()  # 初始化session
# 加载模型
saver = tf.train.import_meta_graph('../model/iris_model.ckpt.meta')  # 先加载meta文件，具体到文件名
saver.restore(sess, tf.train.latest_checkpoint('../model'))  # 加载检查点文件checkpoint，具体到文件夹即可
graph = tf.get_default_graph()  # 绘制tensorflow图

按照我的理解tf.get_default_graph()相当于在一张纸上画了一个计算流程图，现在我们需要在图上找到输入输出口。
输入口就是我们之前定义的占位符

xs = graph.get_tensor_by_name('input/xs:0')  # 获取占位符xs
ys = graph.get_tensor_by_name('input/ys:0')  # 获取占位符ys

函数get_tensor_by_name就是找到你之前定义的张量入口，还记得我们之前给张量命名吗？就是为了方便找到它，不然tensorflow会自动给它命名，你就不知道到底哪个张量对应哪个名字了。输出也是同样道理
out = graph.get_tensor_by_name(‘prediction/output:0’)
由于我们输出最后要进行准确率计算，而且我们之前定义的模型也有准确率的计算，因此我这里输出直接就是准确率，没有使用out的结果

acc = graph.get_tensor_by_name('accuracy/accuracy:0')

现在我们的输入输出口都有了，那么就可以开始喂数据进行预测了

print(sess.run(acc, feed_dict={xs:x_test, ys:y_test}))

到此，我们的整个任务就完成了~