快捷導(dǎo)航

Tensorflow之Saver的用法詳解

更新時(shí)間：2018年04月23日 14:08:59 作者：陳淺墨

本篇文章主要介紹了Tensorflow之Saver的用法詳解，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧

Saver的用法

1. Saver的背景介紹

我們經(jīng)常在訓(xùn)練完一個(gè)模型之后希望保存訓(xùn)練的結(jié)果，這些結(jié)果指的是模型的參數(shù)，以便下次迭代的訓(xùn)練或者用作測(cè)試。Tensorflow針對(duì)這一需求提供了Saver類(lèi)。

Saver類(lèi)提供了向checkpoints文件保存和從checkpoints文件中恢復(fù)變量的相關(guān)方法。Checkpoints文件是一個(gè)二進(jìn)制文件，它把變量名映射到對(duì)應(yīng)的tensor值。

只要提供一個(gè)計(jì)數(shù)器，當(dāng)計(jì)數(shù)器觸發(fā)時(shí)，Saver類(lèi)可以自動(dòng)的生成checkpoint文件。這讓我們可以在訓(xùn)練過(guò)程中保存多個(gè)中間結(jié)果。例如，我們可以保存每一步訓(xùn)練的結(jié)果。

為了避免填滿整個(gè)磁盤(pán)，Saver可以自動(dòng)的管理Checkpoints文件。例如，我們可以指定保存最近的N個(gè)Checkpoints文件。

2. Saver的實(shí)例

下面以一個(gè)例子來(lái)講述如何使用Saver類(lèi)

import tensorflow as tf 
import numpy as np  
x = tf.placeholder(tf.float32, shape=[None, 1]) 
y = 4 * x + 4  
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 = False 
train_steps = 100 
checkpoint_steps = 50 
checkpoint_dir = ''  
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.initialize_all_variables()) 
  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))