tf.train.Saver() 保存和加载模型
saver = tf.train.Saver()
saver.save(sess, '路径 + 模型文件名')
在创建这个 Saver 对象的时候, max_to_keep 参数表示要保留的最近检查点文件的最大数量,创建新文件时,将删除旧文件,默认为 5(即保留最近的 5 个检查点文件),max_to_keep=5。
saver = tf.train.Save(max_to_keep=5)
import tensorflow as tf
import os
import numpy as np
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
model_save_path = './model/'
model_name = 'model'
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
for step in np.arange(num):
c = sess.run(tf.add(a, b))
#checkpoint_path = os.path.join(model_save_path, model_name)
# 默认最多同时存放 5 个模型
saver.save(sess, os.path.join(model_save_path, model_name), global_step=step)
可选参数 global_step : 编号 checkpoint 名字
Tensorflow 会自动生成4个文件
第一个文件为 model.ckpt.meta,保存了 Tensorflow 计算图的结构,可以简单理解为神经网络的网络结构。
model.ckpt.index 和 model.ckpt.data-*****-of-***** 文件保存了所有变量的取值。
最后一个文件为 checkpoint 文件,保存了一个目录下所有的模型文件列表。
import tensorflow as tf
import os
import numpy as np
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
model_save_path = './model/'
model_name = 'model'
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
ckpt = tf.train.get_checkpoint_state(model_save_path)
# 载入模型,不需要提供模型的名字,会通过 checkpoint 文件定位到最新保存的模型
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)
print("load success")