快捷導(dǎo)航

tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實(shí)例

更新時(shí)間：2020年01月21日 10:06:17 作者：by_side_with_sun

今天小編就為大家分享一篇tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

一：需重定義神經(jīng)網(wǎng)絡(luò)繼續(xù)訓(xùn)練的方法

1.訓(xùn)練代碼

import numpy as np
import tensorflow as tf
x_data=np.random.rand(100).astype(np.float32) 
y_data=x_data*0.1+0.3
weight=tf.Variable(tf.random_uniform([1],-1.0,1.0),name="w")
biases=tf.Variable(tf.zeros([1]),name="b")
 
y=weight*x_data+biases
 
loss=tf.reduce_mean(tf.square(y-y_data)) #loss
optimizer=tf.train.GradientDescentOptimizer(0.5)
train=optimizer.minimize(loss)
 
 
init=tf.global_variables_initializer() 
sess=tf.Session()
sess.run(init)
saver=tf.train.Saver(max_to_keep=0)
for step in range(10):
  sess.run(train)
  saver.save(sess,"./save_mode",global_step=step) #保存
  print("當(dāng)前進(jìn)行：",step)

第一次訓(xùn)練截圖：

2.恢復(fù)上一次的訓(xùn)練

import numpy as np
 
import tensorflow as tf
 
sess=tf.Session()
saver=tf.train.import_meta_graph(r'save_mode-9.meta')
saver.restore(sess,tf.train.latest_checkpoint(r'./'))
 
print(sess.run("w:0"),sess.run("b:0"))
 
 
 
graph=tf.get_default_graph() 
weight=graph.get_tensor_by_name("w:0") 
biases=graph.get_tensor_by_name("b:0")
 
 
x_data=np.random.rand(100).astype(np.float32)
y_data=x_data*0.1+0.3
y=weight*x_data+biases
 
 
loss=tf.reduce_mean(tf.square(y-y_data))
optimizer=tf.train.GradientDescentOptimizer(0.5)
train=optimizer.minimize(loss)
saver=tf.train.Saver(max_to_keep=0)
for step in range(10):
  sess.run(train)
  saver.save(sess,r"./save_new_mode",global_step=step)
  print("當(dāng)前進(jìn)行：",step," ",sess.run(weight),sess.run(biases))

使用上次保存下的數(shù)據(jù)進(jìn)行繼續(xù)訓(xùn)練和保存：

#最后要提一下的是：

checkpoint文件

meta保存了TensorFlow計(jì)算圖的結(jié)構(gòu)信息

datat保存每個(gè)變量的取值

index保存了表

加載restore時(shí)的文件路徑名是以checkpoint文件中的“model_checkpoint_path”值決定的

這個(gè)方法需要重新定義神經(jīng)網(wǎng)絡(luò)

二：不需要重新定義神經(jīng)網(wǎng)絡(luò)的方法：

在上面訓(xùn)練的代碼中加入：tf.add_to_collection("name",參數(shù))

import numpy as np
import tensorflow as tf
x_data=np.random.rand(100).astype(np.float32)
 
y_data=x_data*0.1+0.3
weight=tf.Variable(tf.random_uniform([1],-1.0,1.0),name="w")
biases=tf.Variable(tf.zeros([1]),name="b")
y=weight*x_data+biases
 
loss=tf.reduce_mean(tf.square(y-y_data))
optimizer=tf.train.GradientDescentOptimizer(0.5)
train=optimizer.minimize(loss)
 
tf.add_to_collection("new_way",train)
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)
saver=tf.train.Saver(max_to_keep=0)
 
for step in range(10):
  sess.run(train)
  saver.save(sess,"./save_mode",global_step=step)
  print("當(dāng)前進(jìn)行：",step)

在下面的載入代碼中加入：tf.get_collection("name")，就可以直接使用了

import numpy as np
import tensorflow as tf
sess=tf.Session()
saver=tf.train.import_meta_graph(r'save_mode-9.meta')
saver.restore(sess,tf.train.latest_checkpoint(r'./'))
print(sess.run("w:0"),sess.run("b:0"))
graph=tf.get_default_graph()
weight=graph.get_tensor_by_name("w:0")
biases=graph.get_tensor_by_name("b:0")
 
y=tf.get_collection("new_way")[0]
 
saver=tf.train.Saver(max_to_keep=0)
for step in range(10):
  sess.run(y)
  saver.save(sess,r"./save_new_mode",global_step=step)
  print("當(dāng)前進(jìn)行：",step," ",sess.run(weight),sess.run(biases))

總的來(lái)說(shuō)，下面這種方法好像是要便利一些

以上這篇tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實(shí)例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: