模型的保存與恢復

我們來簡單實現一下模型的保存與恢復

訓練完TensorFlow模型后，可將其保存為文件，以便于預測新數據時直接加載使用。

TensorFlow模型主要包含網絡的設計或者圖以及已經訓練好的網絡參數的值。

TensorFlow提供的tf.train.Saver()函數可以建立一個saver對象，在會話中調用其save（）函數，即可將模型保存起來

save()函數的用法

函數	說明
save( ????? sess, ????? sace_path, ????? global_step=None, ????? latest_filename=None, ????? meta_graph_suffix='meta', ????? write_meta_graph=True, ????? write_state=True )	sess:保存模型，要求必須有一個加載了計算圖的會話，且所有變量已被初始化。 sace_path：模型保存路徑及保存名稱 global_step：如果提供，該數字會添加到save_path后，用于區分不同訓練階段的結果 latest_filename：檢查點文件的名稱，默認是checkpoint meta_graph_suffix= MetaGraphDef元圖后綴,默認為meta write_meta_graph=是否要保存元圖數據，默認為True write_state：是否要保存CheckpointStateProto，默認為True

模型保存

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')

運行程序，當前目錄的model文件夾下會產生4個文件：checkpoint,data-00000-of-00001,meta和index

checkpoint：保存模型的權重、偏置、梯度以及其他保護變量的二進制文件。

data：保存模型的所有變量的值

meta：保存計算圖的結構。當meta文件存在時，不在程序中定義模型，直接加載meta可以直接運行

index：保存string-string的鍵值對。其中的key值為張量名，value為BundleEntryProto

模型恢復

模型保存好了以后，載入發出方便。

在會話中調用saver的restore()函數，就會從指定的路徑找到模型文件，并覆蓋相關參數。

saver.restore()函數的形式如表

函數	說明
saver.restore( ??? sess, ??? save_path )	從指定的路徑恢復模型。 sess：用于恢復參數模型的會話 save_path：已保存模型的路徑，通常包含模型名字

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))

?