Tensorflow中,用 tensorflow.train.Saver来保存、恢复变量。
tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)
#————————————————————例子————————————————————————import tensorflow as tf# 创建两个变量v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")v2= tf.Variable(tf.zeros([200]), name="v2")# 添加用于初始化变量的节点init_op = tf.global_variables_initializer()# Create a saver.saver = tf.train.Saver(tf.global_variables())# 运行,保存变量sess = tf.Session()saver.save(sess,'my-model')
Saver可以使用提供的计数器自动为checkpoint文件编号。这使得在训练模型时在不同的步骤保留多个检查点。在save()方法中传递可选的global_step参数,可以对checkpoint文件进行编号
saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0'...saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'
#——————————————————例子————————————————————————import tensorflow as tf# 创建两个变量v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")v2= tf.Variable(tf.zeros([200]), name="v2")# 添加用于初始化变量的节点init_op = tf.global_variables_initializer()# Create a saver.saver = tf.train.Saver(tf.global_variables())# 运行图,打开会话,每1000次保存一个模型sess = tf.Session()for step in range(10000): sess.run(init_op) if step % 1000 == 0: saver.save(sess, base_path+'my-model', global_step=step)
运行结果:
tf.train.Saver.restore(sess, save_path)
#————————————————例子—————————————————————— sess.run(tf.global_variables_initializer()) saver = tf.train.Saver(tf.global_variables()) #arg:获取最近一次保存的变量文件名称 module_file = tf.train.latest_checkpoint('my-model') print(module_file) saver.restore(sess, module_file)
欲了解saver更详细的内容,请戳tensorflow.saver
联系客服