TensorFlow Saver的使用方法

我们经常在训练完一个模型之后希望保存训练的结果，这些结果指的是模型的参数，以便下次迭代的训练或者用作测试。Tensorflow针对这一需求提供了Saver类。

Saver类提供了向checkpoints文件保存和从checkpoints文件中恢复变量的相关方法。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值。

只要提供一个计数器，当计数器触发时，Saver类可以自动的生成checkpoint文件。这让我们可以在训练过程中保存多个中间结果。例如，我们可以保存每一步训练的结果。

为了避免填满整个磁盘，Saver可以自动的管理Checkpoints文件。例如，我们可以指定保存最近的N个Checkpoints文件。

示例代码：

import tensorflow as tf

import numpy as np

from six.moves import xrange

x = tf.placeholder(tf.float32, shape=[None, 1])

y = 4 * x + 2

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 = True

isTrain = False

train_steps = 100

checkpoint_steps = 50

checkpoint_dir = 'test/'

saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b

x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    if isTrain:

        for i in xrange(train_steps):

            sess.run(train, feed_dict={x: x_data})

            if (i + 1) % checkpoint_steps == 0:

                saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i + 1)

    else:

        ckpt = tf.train.get_checkpoint_state(checkpoint_dir)

        if ckpt and ckpt.model_checkpoint_path:

            saver.restore(sess, ckpt.model_checkpoint_path)

        else:

            pass

        print(sess.run(w))

        print(sess.run(b))

        y_result = sess.run(y_predict, feed_dict={x: np.reshape(4, (1, 1))})

        print(y_result)

2.1 训练阶段

使用Saver.save()方法保存模型：

sess：表示当前会话，当前会话记录了当前的变量值
checkpoint_dir + 'model.ckpt'：表示存储的文件名
global_step：表示当前是第几步

训练完成后，当前目录底下会多出5个文件。

打开名为“checkpoint”的文件，可以看到保存记录，和最新的模型存储位置。

2.2测试阶段

测试阶段使用saver.restore()方法恢复变量：

sess：表示当前会话，之前保存的结果将被加载入这个会话
ckpt.model_checkpoint_path：表示模型存储的位置，不需要提供模型的名字，它会去查看checkpoint文件，看看最新的是谁，叫做什么。

运行结果如下图所示，加载了之前训练的参数w和b的结果

巴特西

TensorFlow Saver的使用方法

2.1 训练阶段

2.2测试阶段

最新文章

热门文章