腳本之家服務器常用軟件

快捷導航

tensorflow模型繼續(xù)訓練 fineturn實例

更新時間：2020年01月21日 11:03:17 作者：-牧野-

今天小編就為大家分享一篇tensorflow模型繼續(xù)訓練 fineturn實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

解決tensoflow如何在已訓練模型上繼續(xù)訓練fineturn的問題。

訓練代碼

任務描述： x = 3.0, y = 100.0，運算公式 x×W+b = y，求 W和b的最優(yōu)解。

# -*- coding: utf-8 -*-)
import tensorflow as tf
 
 
# 聲明占位變量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
 
# 聲明變量
W = tf.Variable(tf.zeros([1, 1]),name='w')
b = tf.Variable(tf.zeros([1]),name='b')
 
# 操作
result = tf.matmul(x, W) + b
 
# 損失函數(shù)
lost = tf.reduce_sum(tf.pow((result - y), 2))
 
# 優(yōu)化
train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
 
with tf.Session() as sess:
  # 初始化變量
  sess.run(tf.global_variables_initializer())
  saver = tf.train.Saver(max_to_keep=3)
 
  # 這里x、y給固定的值
  x_s = [[3.0]]
  y_s = [[100.0]]
 
  step = 0
  while (True):
    step += 1
    feed = {x: x_s, y: y_s}
    # 通過sess.run執(zhí)行優(yōu)化
    sess.run(train_step, feed_dict=feed)
 
    if step % 1000 == 0:
      print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
      if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
        print ''
        # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
        print 'final result of {0} = {1}（目標值是100.0）'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
        print ''
        print("模型保存的W值 : %f" % sess.run(W))
        print("模型保存的b : %f" % sess.run(b))
        break
  saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

訓練完成之后生成模型文件：

訓練輸出：

step: 1000, loss: 4.89526428282e-08
step: 2000, loss: 4.89526428282e-08
step: 3000, loss: 4.89526428282e-08
step: 4000, loss: 4.89526428282e-08
step: 5000, loss: 4.89526428282e-08
 
 
final result of x×W+b = [[99.99978]]（目標值是100.0）
 
模型保存的W值 : 29.999931
模型保存的b : 9.999982

保存在模型中的W值是 29.999931，b是 9.999982。

以下代碼從保存的模型中恢復出訓練狀態(tài)，繼續(xù)訓練

任務描述： x = 3.0, y = 200.0，運算公式 x×W+b = y，從上次訓練的模型中恢復出訓練參數(shù)，繼續(xù)訓練，求 W和b的最優(yōu)解。

# -*- coding: utf-8 -*-)
import tensorflow as tf
 
 
# 聲明占位變量x、y
x = tf.placeholder("float", shape=[None, 1])
y = tf.placeholder("float", [None, 1])
 
with tf.Session() as sess:
 
  # 初始化變量
  sess.run(tf.global_variables_initializer())
 
  # saver = tf.train.Saver(max_to_keep=3)
  saver = tf.train.import_meta_graph(r'./save_model/re-train-5000.meta') # 加載模型圖結構
  saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢復數(shù)據(jù)
 
  # 從保存模型中恢復變量
  graph = tf.get_default_graph()
  W = graph.get_tensor_by_name("w:0")
  b = graph.get_tensor_by_name("b:0")
 
  print("從保存的模型中恢復出來的W值 : %f" % sess.run("w:0"))
  print("從保存的模型中恢復出來的b值 : %f" % sess.run("b:0"))
 
  # 操作
  result = tf.matmul(x, W) + b
  # 損失函數(shù)
  lost = tf.reduce_sum(tf.pow((result - y), 2))
  # 優(yōu)化
  train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost)
 
  # 這里x、y給固定的值
  x_s = [[3.0]]
  y_s = [[200.0]]
 
  step = 0
  while (True):
    step += 1
    feed = {x: x_s, y: y_s}
    # 通過sess.run執(zhí)行優(yōu)化
    sess.run(train_step, feed_dict=feed)
    if step % 1000 == 0:
      print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed))
      if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3:
        print ''
        # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed))
        print 'final result of {0} = {1}（目標值是200.0）'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b))
        print("模型保存的W值 : %f" % sess.run(W))
        print("模型保存的b : %f" % sess.run(b))
        break
  saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

訓練輸出：

從保存的模型中恢復出來的W值 : 29.999931
從保存的模型中恢復出來的b值 : 9.999982
step: 1000, loss: 1.95810571313e-07
step: 2000, loss: 1.95810571313e-07
step: 3000, loss: 1.95810571313e-07
step: 4000, loss: 1.95810571313e-07
step: 5000, loss: 1.95810571313e-07
 
 
final result of x×W+b = [[199.99956]]（目標值是200.0）
模型保存的W值 : 59.999866
模型保存的b : 19.999958

從保存的模型中恢復出來的W值是 29.999931，b是 9.999982，跟模型保存的值一致，說明加載成功。

總結

從頭開始訓練一個模型，需要通過 tf.train.Saver創(chuàng)建一個保存器，完成之后使用save方法保存模型到本地：

saver = tf.train.Saver(max_to_keep=3)
……
saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

在訓練好的模型上繼續(xù)訓練，fineturn一個模型，可以使用tf.train.import_meta_graph方法加載圖結構，使用restore方法恢復訓練數(shù)據(jù)，最后使用同樣的save方法保存到本地：

saver = tf.train.import_meta_graph(r'./save_model/re-train-10050.meta') # 加載模型圖結構
saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢復數(shù)據(jù)
saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

注：特殊情況下(如本例)需要從恢復的模型中加載出數(shù)據(jù)：

# 從保存模型中恢復變量
graph = tf.get_default_graph()
W = graph.get_tensor_by_name("w:0")
b = graph.get_tensor_by_name("b:0")

以上這篇tensorflow模型繼續(xù)訓練 fineturn實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

tensorflow模型繼續(xù)訓練 fineturn實例

相關文章

最新評論

大家感興趣的內容

最近更新的內容

常用在線小工具