TensorFlow通过tf.train.Saver类实现神经网络模型的保存和提取。tf.train.Saver对象saver的save方法将TensorFlow模型保存到指定路径中,saver.save(sess,“Model/model.ckpt”),实际在这个文件目录下会生成4个文件:
checkpoint文件保存了一个录下多有的模型文件列表,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。
加载这个已保存的TensorFlow模型的方法是saver.restore(sess,"./Model/model.ckpt"),加载模型的代码中也要定义TensorFlow计算图上的所有运算并声明一个tf.train.Saver类,不同的是加载模型时不需要进行变量的初始化,而是将变量的取值通过保存的模型加载进来,注意加载路径的写法。
一.保存
import tensorflow as tf
import numpy as np
w = tf.Variable([[11,12,13],[22,23,25]],dtype=tf.float32,name="weights")
b = tf.Variable([[7,8,9]],dtype=tf.float32,name="biases")
init = tf.global_variables_initializer()
save = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
save_path = save.save(sess,"my_net/save_net.ckpt")
print("保存路径:",save_path)
保存最小loss或最大精度
init = tf.global_variables_initializer()
save = tf.train.Saver()
min_loss = 1
with tf.Session() as sess:
sess.run(init)
for i in range(1000000):
xs, ys = train_data.get_batch(sess)
ys = ys / 255 -0.5
output,_loss,_ = sess.run([net.out,net.loss,net.opt], feed_dict={net.x: xs, net.y: ys})
# print(output,ys)
print(_loss)
if _loss > min_loss:
min_loss = _loss
save.save(sess,"my_net")
二.恢复
import tensorflow as tf
import numpy as np
#先建立容器
w = tf.Variable(np.arange(6).reshape(2,3),dtype=tf.float32,name="weights")
b = tf.Variable(np.arange(3).reshape(1,3),dtype=tf.float32,name="biases")
#不需要初始化
save = tf.train.Saver()
with tf.Session() as sess:
#提取数据
save.restore(sess,"my_net/save_net.ckpt")
print("weights",sess.run(w))
print("biases",sess.run(b))