tf.train.Saver()模型保存与恢复

1.保存

将训练好的模型参数保存起来，以便以后进行验证或测试。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，有一个参数经常会用到，max_to_keep 参数，这个是用来设置保存模型的个数，默认为5，即 max_to_keep=5，保存最近的5个模型。如果想每训练一代（epoch)就想保存一次模型，则可以将 max_to_keep设置为None或者0，但是这样做除了多占用硬盘，并没有实际多大的用处，因此不推荐，如：

saver=tf.train.Saver(max_to_keep=0)

当然，如果你只想保存最后一代的模型，则只需要将max_to_keep设置为1即可，即

saver=tf.train.Saver(max_to_keep=1)

创建完saver对象后，就可以保存训练好的模型了，如：

saver.save(sess,‘ckpt/mnist.ckpt',global_step=step)

第二个参数设定保存的路径和名字，第三个参数将训练的次数作为后缀加入到模型名字中。

saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0'
...
saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'

a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10

model_save_path = './mod/'
model_name = 'mod'

saver = tf.train.Saver()

# with tf.Session() as sess:
#     init_op = tf.global_variables_initializer()
#     sess.run(init_op)
#     for step in np.arange(num):
#         c = sess.run(tf.add(a, b))
#         # checkpoint_path = os.path.join(model_save_path, model_name)
#         # 默认最多同时存放 5 个模型
#         saver.save(sess, os.path.join(model_save_path, model_name), global_step=step)

Tensorflow 会自动生成4个文件

第一个文件为 model.ckpt.meta，保存了 Tensorflow 计算图的结构，可以简单理解为神经网络的网络结构。

model.ckpt.index 和 model.ckpt.data-*****-of-***** 文件保存了所有变量的取值。

最后一个文件为 checkpoint 文件，保存了一个目录下所有的模型文件列表。

with tf.Session() as sess:
            ckpt=tf.train.get_checkpoint_state('mod/')
            print(ckpt)

tf.train.get_checkpoint_state函数通过checkpoint文件找到模型文件名。

tf.train.get_checkpoint_state(checkpoint_dir,latest_filename=None)
该函数返回的是checkpoint文件CheckpointState proto类型的内容，其中有model_checkpoint_path和all_model_checkpoint_paths两个属性。其中model_checkpoint_path保存了最新的tensorflow模型文件的文件名，all_model_checkpoint_paths则有未被删除的所有tensorflow模型文件的文件名。

model_checkpoint_path: "mod/mod-9"
all_model_checkpoint_paths: "mod/mod-5"
all_model_checkpoint_paths: "mod/mod-6"
all_model_checkpoint_paths: "mod/mod-7"
all_model_checkpoint_paths: "mod/mod-8"
all_model_checkpoint_paths: "mod/mod-9"

# 载入模型，不需要提供模型的名字，会通过 checkpoint 文件定位到最新保存的模型
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)

tf.train.Saver()模型保存与恢复

猜你喜欢