tensorflow中模型保存加載操作的學習體會

姓名:樂仁華 學號:16140220023

【嵌牛導讀】:本文簡述了學習tensorflow中保存加載模型的體會及總結

【嵌牛鼻子】:tensorflow,檢查點文件

【嵌牛提問】:tensorflow中保存加載模型有什么方法?

【嵌牛正文】:

先簡單提一下模型參數保存及加載的函數

tf.train.Saver()

tf.train.Saver()是tensorflow中加載,保存模型參數的一個類
使用方法:

#實例化類
saver = tf.train.Saver()

#調用save方法保存參數,ckpt為保存的模型參數名,如'run_dir/model.ckpt',
#其中run_dir表示模型所在的文件夾
#step表示迭代步數
saver.save(sess,ckpt,gloabal_step=step)

#如果需要加載參數
restorer = tf.train.Saver()
#這里的ckpt與保存過程的ckpt一致
restorer.restore(sess,ckpt)

更多詳細的用法可以看官方文檔

檢查點文件格式


保存的檢查點文件如上圖所示,
.meta文件保存了當前圖結構
.index文件保存了當前參數名
.data文件保存了當前參數值
每調用一次save方法會產生新的文件

獲取最新保存的檢查點文件

#假設check_path為保存這些檢查點文件的文件夾
#tf.train.get_checkpoint_state(check_point)表示查看check_point文件夾下是否有檢查點文件
ckpt = tf.train.get_checkpoint_state(check_point)
#獲取最新保存的模型檢查點文件
ckpt.model_checkpoint_path

還有其他的方法,不過我沒怎么用過,大家可以自己上網查查

查看檢查點文件中的各tensor

有時我們會需要查看檢查點文件中各變量,這時可以調用tensorflow中的方法查看

from tensorflow.python import pywrap_tensorflow

# 從檢查點文件中讀取數據
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
# 顯示變量名及其值
for key in var_to_shape_map:
    print("tensor_name: ", key)
    print(reader.get_tensor(key))

保存及加載圖結構

我們知道tensorflow是以圖表示計算過程的,各節點操作都在圖上,自然也就有保存圖結構的方法

tf.train.write_graph()

具體參數看這:

tf.train.write_graph(graph_or_graph_def, logdir, name, as_text=True)
# Writes a graph proto to a file.
#      graph_or_graph_def: A `Graph` or a `GraphDef` protocol buffer.
#      logdir: Directory where to write the graph. This can refer to remote
#        filesystems, such as Google Cloud Storage (GCS).
#      name: Filename for the graph.
#      as_text: If `True`, writes the graph as an ASCII proto.
    
#    Returns:
#      The path of the output proto file.
(從內置文檔摘來的,相信大家都看得懂^_^)

如果要加載的話就用這個:

tf.train.import_meta_graph(meta_graph_or_file, clear_devices=False, import_scope=None)
#參數如下
#meta_graph_or_file: `MetaGraphDef` protocol buffer or filename (including
#       the path) containing a `MetaGraphDef`.
#    clear_devices: Whether or not to clear the device field for an `Operation`
#        or `Tensor` during import.
#     import_scope: Optional `string`. Name scope to add. Only used when
#        initializing from protocol buffer.
#      **kwargs: Optional keyed arguments.
    
#    Returns:
#      A saver constructed from `saver_def` in `MetaGraphDef` or None.
    
#      A None value is returned if no variables exist in the `MetaGraphDef`
(還是相信大家^_^)

細心的讀者可能發現了前頭提到的檢查點文件里面也有個保存結構的文件,那這兩者有啥區別嗎,說實話我也不清楚。。。。。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 227,837評論 6 531
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,196評論 3 414
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 175,688評論 0 373
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 62,654評論 1 309
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,456評論 6 406
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 54,955評論 1 321
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,044評論 3 440
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,195評論 0 287
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 48,725評論 1 333
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,608評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,802評論 1 369
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,318評論 5 358
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,048評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,422評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,673評論 1 281
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,424評論 3 390
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 47,762評論 2 372

推薦閱讀更多精彩內容