首页 > 代码库 > 转载：tensorflow保存训练后的模型

转载：tensorflow保存训练后的模型

2024-11-08 02:52:39   203人阅读

训练完一个模型后，为了以后重复使用，通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络，所要保存的就是神经网络中的各项权重值。建议可以使用Saver类保存和加载模型的结果。

1、使用tf.train.Saver.save()方法保存模型

tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix=‘meta‘, write_meta_graph=True, write_state=True)

  • sess: 用于保存变量操作的会话。
  • save_path: String类型，用于指定训练结果的保存路径。
  • global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。

2、使用tf.train.Saver.restore方法价值模型

tf.train.Saver.restore(sess, save_path)

  • sess: 用于加载变量操作的会话。
  • save_path: 同保存模型是用到的的save_path参数。

下面通过一个代码演示这两个函数的使用方法

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=[None, 1])
y = 4 * x + 4

w = tf.Variable(tf.random_normal([1], -1, 1))
b = tf.Variable(tf.zeros([1]))
y_predict = w * x + b


loss = tf.reduce_mean(tf.square(y - y_predict))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

isTrain = False
train_steps = 100
checkpoint_steps = 50
checkpoint_dir = ‘‘

saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b
x_data = http://www.mamicode.com/np.reshape(np.random.rand(10).astype(np.float32), (10, 1))>

转载：tensorflow保存训练后的模型


联系
我们