首页 / TENSORFLOW / AI - TensorFlow - 示例05：保存和恢复模型

AI - TensorFlow - 示例05：保存和恢复模型

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了AI - TensorFlow - 示例05：保存和恢复模型，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含14427字，纯文字阅读大概需要21分钟。

内容图文

保存和恢复模型（Save and restore models）

官网示例：https://www.tensorflow.org/tutorials/keras/save_and_restore_models

在训练期间保存检查点

在训练期间或训练结束时自动保存检查点。
权重存储在检查点格式的文件集合中，这些文件仅包含经过训练的权重（采用二进制格式）。
可以使用经过训练的模型，而无需重新训练该模型，或从上次暂停的地方继续训练，以防训练过程中断

检查点回调用法：创建检查点回调，训练模型并将ModelCheckpoint回调传递给该模型，得到检查点文件集合，用于分享权重
检查点回调选项：该回调提供了多个选项，用于为生成的检查点提供独一无二的名称，以及调整检查点创建频率。

手动保存权重

使用 Model.save_weights 方法即可手动保存权重

保存整个模型

整个模型可以保存到一个文件中，其中包含权重值、模型配置（架构）、优化器配置。
可以为模型设置检查点，并稍后从完全相同的状态继续训练，而无需访问原始代码。
Keras通过检查架构来保存模型，使用HDF5标准提供基本的保存格式。
特别注意：

目前无法保存TensorFlow优化器（来自tf.train）。
使用此类优化器时，需要在加载模型后对其进行重新编译，使优化器的状态变松散。

MNIST数据集

MNIST（Mixed National Institute of Standards and Technology database）是一个计算机视觉数据集

官方下载地址：http://yann.lecun.com/exdb/mnist/
包含70000张手写数字的灰度图片，其中60000张为训练图像和10000张为测试图像
每一张图片都是28*28个像素点大小的灰度图像
https://keras.io/datasets/#mnist-database-of-handwritten-digits
TensorFlow：https://www.tensorflow.org/api_docs/python/tf/keras/datasets/mnist

示例

脚本内容

GitHub：https://github.com/anliven/Hello-AI/blob/master/Google-Learn-and-use-ML/5_save_and_restore_models.py

              1
            #
             coding=utf-8
              2
            import
             tensorflow as tf

              3
            from tensorflow import keras
  4import numpy as np
  5import pathlib
  6import os
  7  8 os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘  9print("# TensorFlow version: {}  - tf.keras version: {}".format(tf.VERSION, tf.keras.__version__))  # 查看版本 10 11# ### 获取示例数据集 12 13 ds_path = str(pathlib.Path.cwd()) + "\\datasets\\mnist\\"# 数据集路径 14 np_data = np.load(ds_path + "mnist.npz")  # 加载numpy格式数据 15print("# np_data keys: ", list(np_data.keys()))  # 查看所有的键 16 17# 加载mnist数据集 18 (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data(path=ds_path + "mnist.npz")
 19 train_labels = train_labels[:1000]
 20 test_labels = test_labels[:1000]
 21 train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
 22 test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0
 23 24 25# ### 定义模型 26def create_model():
 27     model = tf.keras.models.Sequential([
 28         keras.layers.Dense(512, activation=tf.nn.relu, input_shape=(784,)),
 29         keras.layers.Dropout(0.2),
 30         keras.layers.Dense(10, activation=tf.nn.softmax)
 31     ])  # 构建一个简单的模型 32     model.compile(optimizer=tf.keras.optimizers.Adam(),
 33                   loss=tf.keras.losses.sparse_categorical_crossentropy,
 34                   metrics=[‘accuracy‘])
 35return model
 36 37 38 mod = create_model()
 39mod.summary()
 40 41# ### 在训练期间保存检查点 42 43# 检查点回调用法 44 checkpoint_path = "training_1/cp.ckpt" 45 checkpoint_dir = os.path.dirname(checkpoint_path)  # 检查点存放目录 46 cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path,
 47                                                  save_weights_only=True,
 48                                                  verbose=2)  # 创建检查点回调 49 model1 = create_model()
 50model1.fit(train_images, train_labels,
 51            epochs=10,
 52            validation_data=(test_images, test_labels),
 53            verbose=0,
 54            callbacks=[cp_callback]  # 将ModelCheckpoint回调传递给该模型 55            )  # 训练模型，将创建一个TensorFlow检查点文件集合，这些文件在每个周期结束时更新 56 57 model2 = create_model()  # 创建一个未经训练的全新模型（与原始模型架构相同，才能分享权重） 58 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集进行评估 59print("# Untrained model2, accuracy: {:5.2f}%".format(100 * acc))  # 未训练模型的表现（准确率约为10%） 60 61 model2.load_weights(checkpoint_path)  # 从检查点加载权重 62 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集，重新进行评估 63print("# Restored model2, accuracy: {:5.2f}%".format(100 * acc))  # 模型表现得到大幅提升 64 65# 检查点回调选项 66 checkpoint_path2 = "training_2/cp-{epoch:04d}.ckpt"# 使用“str.format”方式为每个检查点设置唯一名称 67 checkpoint_dir2 = os.path.dirname(checkpoint_path)
 68 cp_callback2 = tf.keras.callbacks.ModelCheckpoint(checkpoint_path2,
 69                                                   verbose=1,
 70                                                   save_weights_only=True,
 71                                                   period=5  # 每隔5个周期保存一次检查点 72                                                   )  # 创建检查点回调 73 model3 = create_model()
 74model3.fit(train_images, train_labels,
 75            epochs=50,
 76            callbacks=[cp_callback2],  # 将ModelCheckpoint回调传递给该模型 77            validation_data=(test_images, test_labels),
 78            verbose=0)  # 训练一个新模型，每隔5个周期保存一次检查点并设置唯一名称 79 latest = tf.train.latest_checkpoint(checkpoint_dir2)
 80print("# latest checkpoint: {}".format(latest))  # 查看最新的检查点 81 82 model4 = create_model()  # 重新创建一个全新的模型 83 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集进行评估 84print("# Untrained model4, accuracy: {:5.2f}%".format(100 * acc))  # 未训练模型的表现（准确率约为10%） 85 86 model4.load_weights(latest)  # 加载最新的检查点 87 loss, acc = model4.evaluate(test_images, test_labels)  #
 88print("# Restored model4, accuracy: {:5.2f}%".format(100 * acc))  # 模型表现得到大幅提升 89 90# ### 手动保存权重 91 model5 = create_model()
 92model5.fit(train_images, train_labels,
 93            epochs=10,
 94            validation_data=(test_images, test_labels),
 95            verbose=0)  # 训练模型 96 model5.save_weights(‘./training_3/my_checkpoint‘)  # 手动保存权重 97 98 model6 = create_model()
 99 loss, acc = model6.evaluate(test_images, test_labels)
100print("# Restored model6, accuracy: {:5.2f}%".format(100 * acc))
101 model6.load_weights(‘./training_3/my_checkpoint‘)
102 loss, acc = model6.evaluate(test_images, test_labels)
103print("# Restored model6, accuracy: {:5.2f}%".format(100 * acc))
104105# ### 保存整个模型106 model7 = create_model()
107 model7.fit(train_images, train_labels, epochs=5)
108 model7.save(‘my_model.h5‘)  # 保存整个模型到HDF5文件109110 model8 = keras.models.load_model(‘my_model.h5‘)  # 重建完全一样的模型，包括权重和优化器111model8.summary()
112 loss, acc = model8.evaluate(test_images, test_labels)
113print("Restored model8, accuracy: {:5.2f}%".format(100 * acc))

运行结果

            C:\Users\anliven\AppData\Local\conda\conda\envs\mlcc\python.exe D:/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML/5_save_and_restore_models.py
# TensorFlow version: 1.12.0  - tf.keras version: 2.1.6-tf
# np_data keys:  [‘x_test‘, ‘x_train‘, ‘y_train‘, ‘y_test‘]
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 512)               401920    
_________________________________________________________________
dropout (Dropout)            (None, 512)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 10)                5130      
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________

Epoch 00001: saving model to training_1/cp.ckpt
Epoch 00002: saving model to training_1/cp.ckpt
Epoch 00003: saving model to training_1/cp.ckpt
Epoch 00004: saving model to training_1/cp.ckpt
Epoch 00005: saving model to training_1/cp.ckpt
Epoch 00006: saving model to training_1/cp.ckpt
Epoch 00007: saving model to training_1/cp.ckpt
Epoch 00008: saving model to training_1/cp.ckpt
Epoch 00009: saving model to training_1/cp.ckpt
Epoch 00010: saving model to training_1/cp.ckpt

  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 140us/step
# Untrained model2, accuracy:  8.20%

  32/1000 [..............................] - ETA: 0s
1000/1000 [==============================] - 0s 40us/step
# Restored model2, accuracy: 86.40%

Epoch 00005: saving model to training_2/cp-0005.ckpt
Epoch 00010: saving model to training_2/cp-0010.ckpt
Epoch 00015: saving model to training_2/cp-0015.ckpt
Epoch 00020: saving model to training_2/cp-0020.ckpt
Epoch 00025: saving model to training_2/cp-0025.ckpt
Epoch 00030: saving model to training_2/cp-0030.ckpt
Epoch 00035: saving model to training_2/cp-0035.ckpt
Epoch 00040: saving model to training_2/cp-0040.ckpt
Epoch 00045: saving model to training_2/cp-0045.ckpt
Epoch 00050: saving model to training_2/cp-0050.ckpt

# latest checkpoint: training_1\cp.ckpt

  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 140us/step
# Untrained model4, accuracy: 86.40%

  32/1000 [..............................] - ETA: 2s
1000/1000 [==============================] - 0s 110us/step
# Restored model4, accuracy: 86.40%

  32/1000 [..............................] - ETA: 5s
1000/1000 [==============================] - 0s 220us/step
# Restored model6, accuracy: 18.20%

  32/1000 [..............................] - ETA: 0s
1000/1000 [==============================] - 0s 40us/step
# Restored model6, accuracy: 87.40%
Epoch 1/5

  32/1000 [..............................] - ETA: 9s - loss: 2.4141 - acc: 0.0625
 320/1000 [========>.....................] - ETA: 0s - loss: 1.8229 - acc: 0.4469
 576/1000 [================>.............] - ETA: 0s - loss: 1.4932 - acc: 0.5694
 864/1000 [========================>.....] - ETA: 0s - loss: 1.2624 - acc: 0.6481
1000/1000 [==============================] - 1s 530us/step - loss: 1.1978 - acc: 0.6620
Epoch 2/5

  32/1000 [..............................] - ETA: 0s - loss: 0.5490 - acc: 0.8750
 320/1000 [========>.....................] - ETA: 0s - loss: 0.4832 - acc: 0.8594
 576/1000 [================>.............] - ETA: 0s - loss: 0.4630 - acc: 0.8715
 864/1000 [========================>.....] - ETA: 0s - loss: 0.4356 - acc: 0.8808
1000/1000 [==============================] - 0s 200us/step - loss: 0.4298 - acc: 0.8790
Epoch 3/5

  32/1000 [..............................] - ETA: 0s - loss: 0.1681 - acc: 0.9688
 320/1000 [========>.....................] - ETA: 0s - loss: 0.2826 - acc: 0.9437
 576/1000 [================>.............] - ETA: 0s - loss: 0.2774 - acc: 0.9340
 832/1000 [=======================>......] - ETA: 0s - loss: 0.2740 - acc: 0.9327
1000/1000 [==============================] - 0s 200us/step - loss: 0.2781 - acc: 0.9280
Epoch 4/5

  32/1000 [..............................] - ETA: 0s - loss: 0.1589 - acc: 0.9688
 288/1000 [=======>......................] - ETA: 0s - loss: 0.2169 - acc: 0.9410
 608/1000 [=================>............] - ETA: 0s - loss: 0.2186 - acc: 0.9457
 864/1000 [========================>.....] - ETA: 0s - loss: 0.2231 - acc: 0.9479
1000/1000 [==============================] - 0s 200us/step - loss: 0.2164 - acc: 0.9480
Epoch 5/5

  32/1000 [..............................] - ETA: 0s - loss: 0.1095 - acc: 1.0000
 352/1000 [=========>....................] - ETA: 0s - loss: 0.1631 - acc: 0.9744
 608/1000 [=================>............] - ETA: 0s - loss: 0.1671 - acc: 0.9638
 864/1000 [========================>.....] - ETA: 0s - loss: 0.1545 - acc: 0.9688
1000/1000 [==============================] - 0s 210us/step - loss: 0.1538 - acc: 0.9670
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_14 (Dense)             (None, 512)               401920    
_________________________________________________________________
dropout_7 (Dropout)          (None, 512)               0         
_________________________________________________________________
dense_15 (Dense)             (None, 10)                5130      
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________

  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 150us/step
Restored model8, accuracy: 86.10%

Process finished with exit code 0

生成的文件

            anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ll training_1
total 1601
-rw-r--r-- 1 anliven 197121      71 5月   5 23:36 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp.ckpt.index

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_1
total 1601
-rw-r--r-- 1 anliven 197121      71 5月   5 23:36 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp.ckpt.index

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_2
total 16001
-rw-r--r-- 1 anliven 197121      81 5月   5 23:37 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0005.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0005.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0010.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0010.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0015.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0015.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0020.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0020.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0025.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0025.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0030.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0030.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0035.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0035.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0040.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0040.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0045.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0045.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0050.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0050.ckpt.index

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_3
total 1601
-rw-r--r-- 1 anliven 197121      83 5月   5 23:37 checkpoint
-rw-r--r-- 1 anliven 197121 1631517 5月   5 23:37 my_checkpoint.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 my_checkpoint.index

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l my_model.h5
-rw-r--r-- 1 anliven 197121 4909112 5月   5 23:37 my_model.h5

问题处理

问题描述：出现如下告警信息。

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x00000280FD318780>) but is being saved in TensorFlow format with `save_weights`. The model‘s weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer‘s state will not be saved.

Consider using a TensorFlow optimizer from `tf.train`.

问题处理：

正常告警，对脚本运行和结果无影响，暂不关注。

原文：https://www.cnblogs.com/anliven/p/10817233.html

内容总结

以上是互联网集市为您收集整理的AI - TensorFlow - 示例05：保存和恢复模型全部内容，希望文章能够帮你解决AI - TensorFlow - 示例05：保存和恢复模型所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/1299288.html

来源：【匿名】

【下一篇】详解tensorflow载入数据的三种方式

更多 ►

【AI - TensorFlow - 示例05：保存和恢复模型】教程文章相关的互联网学习教程文章

AI - TensorFlow - 示例05：保存和恢复模型【代码】

保存和恢复模型（Save and restore models）官网示例：https://www.tensorflow.org/tutorials/keras/save_and_restore_models在训练期间保存检查点在训练期间或训练结束时自动保存检查点。权重存储在检查点格式的文件集合中，这些文件仅包含经过训练的权重（采用二进制格式）。可以使用经过训练的模型，而无需重新训练该模型，或从上次暂停的地方继续训练，以防训练过程中断检查点回调用法：创建检查点回调，训练模型并将ModelChec...

tensorflow 计算图模型的保存和恢复【代码】

定义计算图并计算，保存其中的变量。保存.ipynbimport tensorflow as tf tf.reset_default_graph() # Create some variables. v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer) v2 = tf.get_variable("v2", shape=[5], initializer = tf.zeros_initializer)inc_v1 = v1.assign(v1+1) dec_v2 = v2.assign(v2-1)# Add an op to initialize the variables. init_op = tf.global_variables_initializer()#...

tensorflow 之模型的保存与加载(一)【代码】

怎样让通过训练的神经网络模型得以复用?本文先介绍简单的模型保存与加载的方法，后续文章再慢慢深入解读. 1#!/usr/bin/env python3 2#-*- coding:utf-8 -*- 3############################ 4#File Name: saver.py 5#Brief: 6#Author: frank 7#Mail: frank0903@aliyun.com 8#Created Time:2018-06-22 22:12:52 9############################1011"""12checkpoint #保...

跟我学算法- tensorflow模型的保存与读取 tf.train.Saver()【代码】

save = tf.train.Saver()通过save. save() 实现数据的加载通过save.restore() 实现数据的导出第一步：数据的载入import tensorflow as tf#创建变量 v1 = tf.Variable(tf.random_normal([1, 2], name=‘v1‘)) v2 = tf.Variable(tf.random_normal([2, 3], name=‘v2‘)) #初始化变量 init_op = tf.global_variables_initializer() #构建训练模型的保存 saver = tf.train.Saver() with tf.Session() as sess:sess.run(init_op)pri...

tensorflow教程：变量创建、初始化、保存和加载【代码】

变量保存到文件import tensorflow as tf import numpy as np # Create two variables. x_data = np.float32([1,2,3,4,5,6,7,8,9,0]) weights = tf.Variable(tf.random_normal([10, 1], stddev=0.35), name="weights") biases = tf.Variable(tf.zeros([1]), name="biases") y = tf.matmul(x_data.reshape((1,-1)), weights)+biases # Add an op to initialize the variables. init_op = tf.global_variables_initializer() saver = ...

吴裕雄 python 神经网络——TensorFlow pb文件保存方法【代码】【图】

import tensorflow as tf from tensorflow.python.framework import graph_utilv1 = tf.Variable(tf.constant(1.0, shape=[1]), name = "v1") v2 = tf.Variable(tf.constant(2.0, shape=[1]), name = "v2") result = v1 + v2init_op = tf.global_variables_initializer() with tf.Session() as sess:sess.run(init_op)graph_def = tf.get_default_graph().as_graph_def()output_graph_def = graph_util.convert_variables_to_const...

吴裕雄 python 神经网络——TensorFlow ckpt文件保存方法【代码】【图】

import tensorflow as tfv1 = tf.Variable(tf.random_normal([1], stddev=1, seed=1)) v2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1)) result = v1 + v2init_op = tf.global_variables_initializer() saver = tf.train.Saver()with tf.Session() as sess:sess.run(init_op)saver.save(sess, "E:\\Saved_model\\model.ckpt")with tf.Session() as sess:saver.restore(sess, "E:\\Saved_model\\model.ckpt")print(sess....

python学习教程：tensorflow实现训练变量checkpoint的保存与读取【代码】【图】

@本文来源于公众号：csdn2299，喜欢可以关注公众号程序员学府今天小编就为大家分享一篇tensorflow实现训练变量checkpoint的保存与读取，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧 1.保存变量先创建（在tf.Session()之前）saver saver = tf.train.Saver(tf.global_variables(),max_to_keep=1) #max_to_keep这个保证只保存最后一次training的训练数据然后在训练的循环里面 checkpoint_path = os.path.joi...

浅谈Tensorflow模型的保存与恢复加载

本篇文章主要介绍了浅谈Tensorflow模型的保存与恢复加载，现在分享给大家，也给大家做个参考。一起过来看看吧近期做了一些反垃圾的工作，除了使用常用的规则匹配过滤等手段，也采用了一些机器学习方法进行分类预测。我们使用TensorFlow进行模型的训练，训练好的模型需要保存，预测阶段我们需要将模型进行加载还原使用，这就涉及TensorFlow模型的保存与恢复加载。总结一下Tensorflow常用的模型保存方式。保存checkpoint模型文件（.c...

TensorFlow入门使用tf.train.Saver()保存模型

这篇文章主要介绍了TensorFlow入门使用 tf.train.Saver()保存模型，现在分享给大家，也给大家做个参考。一起过来看看吧关于模型保存的一点心得saver = tf.train.Saver(max_to_keep=3)在定义 saver 的时候一般会定义最多保存模型的数量，一般来说，如果模型本身很大，我们需要考虑到硬盘大小。如果你需要在当前训练好的模型的基础上进行 fine-tune，那么尽可能多的保存模型，后继 fine-tune 不一定从最好的 ckpt 进行，因为有可能一...

tensorflow1.0学习之模型的保存与恢复(Saver)_python

这篇文章主要介绍了tensorflow1.0学习之模型的保存与恢复(Saver) ，现在分享给大家，也给大家做个参考。一起过来看看吧将训练好的模型参数保存起来，以便以后进行验证或测试，这是我们经常要做的事情。tf里面提供模型保存的是tf.train.Saver()模块。模型保存，先要创建一个Saver对象：如saver=tf.train.Saver()在创建这个Saver对象的时候，有一个参数我们经常会用到，就是 max_to_keep 参数，这个是用来设置保存模型的个数，默认为...

TensorFlow模型保存和提取方法示例【图】

本篇文章主要介绍了TensorFlow模型保存和提取方法示例，现在分享给大家，也给大家做个参考。一起过来看看吧一、TensorFlow模型保存和提取方法1. TensorFlow通过tf.train.Saver类实现神经网络模型的保存和提取。tf.train.Saver对象saver的save方法将TensorFlow模型保存到指定路径中，saver.save(sess,"Model/model.ckpt")，实际在这个文件目录下会生成4个人文件：checkpoint文件保存了一个录下多有的模型文件列表，model.ckpt.meta保...

python算法专项（七）——Tensorflow三层网络（进阶），训练手写字数据集、模型保存、tensorboard可视化【代码】【图】

基于算法专项六，的tensorflow原理，用三层网络结构进行训练手写字数据集目录 1-手写数字数据集1.1数据集下载1.2数据集读取1.3进行各种样式的显示测试1.3.1显示单张样本1.3.1显示多张样本在一张影像上1.3.1显示多张样本在一张影像上并且在每张影像外面加白框2-用tensorflow框架搭建三层网络，训练手写字数据集2.1技巧1，用全连接方法代替专项六中的矩阵相乘并加上偏置项操作2.2tensorflow补充知识1、tf.one_hot()使用2、tf.nn.sof...

Tensorflow中保存模型时生成的各种文件区别和作用【代码】【图】

假如我们得到了如下的checkpoints，上面的文件主要可以分成三类：一种是在保存模型时生成的文件，一种是我们在使用tensorboard时生成的文件，还有一种就是plugins这个文件夹，这个是使用capture tpuprofile工具生成的，该工具可以跟踪TPU的计算过程，并对你的模型性能进行分析，这里就不想详细介绍了。本文主要介绍前面两种文件的作用：tensorboard文件events.out.tfevents.*...: 保存的就是你的accuracy或者loss在不同时刻的值。g...

python – Tensorflow Estimator API在eval模式下保存图像摘要【代码】

目前,我尝试使用Tensorflow的新Estimator API在自定义图像数据集上训练自动编码器. 到目前为止一切正常.我唯一的问题是当模型处于评估模式时将输入和输出图像保存为摘要.我在列车模式下创建的所有图像摘要都存储在Tensorboard中并正确显示. 这是我的代码：def model_fn_autoencoder(features, labels, mode, params):is_training = mode == ModeKeys.TRAIN# Define model's architecturelogits = architecture_autoencoder(feature...

首页 / TENSORFLOW / AI - TensorFlow - 示例05：保存和恢复模型

AI - TensorFlow - 示例05：保存和恢复模型

内容导读

内容图文

保存和恢复模型（Save and restore models）

在训练期间保存检查点

手动保存权重

保存整个模型

MNIST数据集

示例

脚本内容

运行结果

问题处理

内容总结

内容备注

内容手机端

【AI - TensorFlow - 示例05：保存和恢复模型】教程文章相关的互联网学习教程文章

TENSORFLOW - 相关标签

保存 - 相关标签

TENSORFLOW - 最新教程

TENSORFLOW - 最热教程