tensorflow中Saver的用法

1. Saver简介

训练完一个模型后，为了以后重复使用，通常希望保存训练的结果，这些结果指的是模型的参数，也就是神经网络中的各项权重值。以便下次迭代的训练或者用作测试。
Tensorflow针对这一需求提供了Saver类。 Saver类提供了向checkpoints文件保存和从checkpoints文件中恢复变量的相关方法。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。
为了避免填满整个磁盘，Saver可以自动的管理Checkpoints文件。例如，我们可以指定保存最近的N个Checkpoints文件。

2. Saver的应用

**2.1 训练阶段**
使用tf.train.Saver.save()方法保存模型
tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)

 - sess: 表示当前会话，当前会话记录了当前的变量值。 
 - save_path: String类型，用于指定训练结果的保存路径。 
 - global_step:表示当前是第几步。如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。
训练完成后，当前目录底下会多出5个文件。
![这里写图片描述](https://img-blog.csdn.net/20180613111524633?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RkeV9zd2VldHk=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

打开名为“checkpoint”的文件，可以看到保存记录，和最新的模型存储位置。
![这里写图片描述](https://img-blog.csdn.net/20180613111903173?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RkeV9zd2VldHk=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

**2.2 测试验证阶段**
使用tf.train.Saver.restore方法恢复模型及变量
tf.train.Saver.restore(sess, save_path)
 - sess: 表示当前会话，之前保存的结果将被加载入这个会话
 - save_path: 同保存模型是用到的的save_path参数。

运行结果如下图所示，加载了之前训练的参数w和b的结果

3.Saver实例

import tensorflow as tf  
import numpy as np  

x = tf.placeholder(tf.float32, shape=[None, 1])  
y = 4 * x + 4  

w = tf.Variable(tf.random_normal([1], -1, 1))  
b = tf.Variable(tf.zeros([1]))  
y_predict = w * x + b  


loss = tf.reduce_mean(tf.square(y - y_predict))  
optimizer = tf.train.GradientDescentOptimizer(0.5)  
train = optimizer.minimize(loss)  

#用于验证
isTrain = False 
#用于训练
isTrain = True 
train_steps = 100  
checkpoint_steps = 50  
checkpoint_dir = '/Users/LearningTensorflow/'  

saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b  
x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))  

with tf.Session() as sess:  
    sess.run(tf.initialize_all_variables())  
    if isTrain:  
        for i in range(train_steps):  
            sess.run(train, feed_dict={x: x_data})  
            if (i + 1) % checkpoint_steps == 0:  
                saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)  
    else:  
        ckpt = tf.train.get_checkpoint_state(checkpoint_dir)  
        if ckpt and ckpt.model_checkpoint_path:  
            saver.restore(sess, ckpt.model_checkpoint_path)
            print(sess.run(w))  
            print(sess.run(b))   
        else:  
            pass  
        print(sess.run(w))  
        print(sess.run(b))  

• isTrain：用来区分训练阶段和测试阶段，True表示训练，False表示测试

• train_steps：表示训练的次数，例子中使用100

• checkpoint_steps：表示训练多少次保存一下checkpoints，例子中使用50

• checkpoint_dir：表示checkpoints文件的保存路径，例子中使用当前路径

训练阶段输出结果

[3.8142192]
[4.1174507]
[3.972232]
[4.0175548]

验证阶段输出结果，加载了之前训练的参数w和b的结果

[3.972232]
[4.0175548]