系列文章
本教程有同步的github地址
引言
利用TensorFlow训练好模型可以对测试集的数据进行预测，用于评估模型的好坏。但是每次执行一个预测任务时，均从头训练一下模型，则会耗费大量的时间与资源，并且有可能结果不能完全的复现。
所以TensorFlow提供了模型的保存与恢复的接口，当你训练好模型后，可以将它持久化在本地，再次使用时可以直接恢复进行预测，不需要再重新训练。
知识点
saver=tf.train.Saver()定义一个保存模型的对象，也是固定写法。
saver.save(sess, save_path=r"...")写在session中用于在每次迭代结束后保存一下模型，也可以保存效果最好的模型。
saver.restore(sess, save_path=r"...")同样写在session中用于恢复模型的参数，其中save_path就是模型保存的地址。
示例
#%% md
# 模型的保存与恢复
#%%
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#%% md
加载数据
#%%
mnist = input_data.read_data_sets("MNIST", one_hot=True)
#%% md
设置参数batch_size的大小，计算迭代的总批次
#%%
batch_size = 100
n_batches = mnist.train.num_examples // batch_size
#%% md
构建网络
#%%
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
#%%
w = tf.Variable(tf.truncated_normal([784,10], stddev=0.1))
b = tf.Variable(tf.zeros([10]) + 0.1)
#%% md
预测输出
#%%
prediction = tf.nn.softmax(tf.matmul(x, w) + b)
#%% md
定义损失函数
#%%
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
#%% md
定义优化器
#%%
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
#%% md
计算正确率
#%%
correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#%% md
定义初始化的init
#%%
init = tf.global_variables_initializer()
#%% md
定义保存的对象
#%%
saver = tf.train.Saver()
#%% md
训练模型并保存
#%%
with tf.Session() as sess:
sess.run(init)
for epoch in range(100):
for batch in range(n_batches):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run([train_step], {x:batch_xs, y:batch_ys})
saver.save(sess, save_path='saved_model/mymodel')
acc, loss = sess.run([accuracy, cross_entropy], {x:mnist.test.images, y:mnist.test.labels})
print("Iter: " + str(epoch) + " Loss: " + str(loss) + ", Testing Acc: " + str(acc))
#%% md
恢复模型进行对比
1. 未恢复参数的模型效果
2. 完全恢复模型参数的效果
#%%
with tf.Session() as sess:
sess.run(init)
acc, loss = sess.run([accuracy, cross_entropy], {x:mnist.test.images, y:mnist.test.labels})
print(" Loss: " + str(loss) + ", Testing Acc: " + str(acc))
#%%
with tf.Session() as sess:
sess.run(init)
saver.restore(sess, 'saved_model/mymodel')
acc, loss = sess.run([accuracy, cross_entropy], {x:mnist.test.images, y:mnist.test.labels})
print(" Loss: " + str(loss) + ", Testing Acc: " + str(acc))
#%%