TensorFlow实验（3）

素颜马尾好姑娘i 2022-11-18 13:40 194阅读 0赞

# 模型的保存与恢复 #

我们来简单实现一下模型的保存与恢复

训练完TensorFlow模型后，可将其保存为文件，以便于预测新数据时直接加载使用。

TensorFlow模型主要包含网络的设计或者图以及已经训练好的网络参数的值。

TensorFlow提供的tf.train.Saver()函数可以建立一个saver对象，在会话中调用其save（）函数，即可将模型保存起来

save()函数的用法

<table> 
 <tbody> 
 <tr> 
 <td>函数</td> 
 <td>说明</td> 
 </tr> 
 <tr> 
 <td> save( &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; sess, &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; sace_path, &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; global_step=None, &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; latest_filename=None, &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; meta_graph_suffix='meta', &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; write_meta_graph=True, &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; write_state=True ) </td> 
 <td> sess:保存模型，要求必须有一个加载了计算图的会话，且所有变量已被初始化。 sace_path：模型保存路径及保存名称 global_step：如果提供，该数字会添加到save_path后，用于区分不同训练阶段的结果 latest_filename：检查点文件的名称，默认是checkpoint meta_graph_suffix= MetaGraphDef元图后缀,默认为meta write_meta_graph=是否要保存元图数据，默认为True write_state：是否要保存CheckpointStateProto，默认为True </td> 
 </tr> 
 </tbody> 
</table>

## **模型保存** ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70][]

import tensorflow as tf
    m1 = tf.Variable(tf.constant([[1.0,3.0],[2.0,4.0]],shape=[2,2]),name='m1')
    m2 = tf.Variable(tf.constant([[2.0,7.0],[3.0,8.0]],shape=[2,2]),name='m2')
    result = m1 + m2
    saver = tf.train.Saver()
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print('resulit:',sess.run(result))
        saver.save(sess,'C:/model/model.ckpt')

运行程序，当前目录的model文件夹下会产生4个文件：checkpoint,data-00000-of-00001,meta和index

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70 1][]

checkpoint：保存模型的权重、偏置、梯度以及其他保护变量的二进制文件。

data：保存模型的所有变量的值

meta：保存计算图的结构。当meta文件存在时，不在程序中定义模型，直接加载meta可以直接运行

index：保存string-string的键值对。其中的key值为张量名，value为BundleEntryProto

## **模型恢复** ##

模型保存好了以后，载入发出方便。

在会话中调用saver的restore()函数，就会从指定的路径找到模型文件，并覆盖相关参数。

saver.restore()函数的形式如表

<table> 
 <tbody> 
 <tr> 
 <td>函数</td> 
 <td>说明</td> 
 </tr> 
 <tr> 
 <td> saver.restore( &nbsp;&nbsp;&nbsp; sess, &nbsp;&nbsp;&nbsp; save_path ) </td> 
 <td> 从指定的路径恢复模型。 sess：用于恢复参数模型的会话 save_path：已保存模型的路径，通常包含模型名字 </td> 
 </tr> 
 </tbody> 
</table>

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70 2][]

import tensorflow as tf
    tf.reset_default_graph()
    v1 = tf.Variable(tf.constant([[5.0,6.0],[7.0,7.0]],shape=[2,2]),name='m1')
    v2 = tf.Variable(tf.constant([[4.0,6.0],[7.0,8.0]],shape=[2,2]),name='m2')
    result = v1 + v2
    saver = tf.train.Saver()
    with tf.Session() as sess:
        saver.restore(sess,'C:/model/model.ckpt')
        print(sess.run(result))

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70]: /images/20221022/bba8abab926040e18bf64fd53b099bc5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70 1]: /images/20221022/6cca4ff288e34696a653b2127a38b56d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTYyNjQ2OA_size_16_color_FFFFFF_t_70 2]: /images/20221022/e2e94dd9fc9744e0a423c971909e6c4c.png