這篇文章將為大家詳細(xì)講解有關(guān)TensorFlow如何使用 tf.train.Saver()保存模型，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。
關(guān)于模型保存的一點(diǎn)心得
saver = tf.train.Saver(max_to_keep=3)
在定義 saver 的時(shí)候一般會定義最多保存模型的數(shù)量，一般來說，如果模型本身很大，我們需要考慮到硬盤大小。如果你需要在當(dāng)前訓(xùn)練好的模型的基礎(chǔ)上進(jìn)行 fine-tune，那么盡可能多的保存模型，后繼 fine-tune 不一定從最好的 ckpt 進(jìn)行，因?yàn)橛锌赡芤幌伦泳瓦^擬合了。但是如果保存太多，硬盤也有壓力呀。如果只想保留最好的模型，方法就是每次迭代到一定步數(shù)就在驗(yàn)證集上計(jì)算一次 accuracy 或者 f1 值，如果本次結(jié)果比上次好才保存新的模型，否則沒必要保存。
如果你想用不同 epoch 保存下來的模型進(jìn)行融合的話，3到5 個(gè)模型已經(jīng)足夠了，假設(shè)這各融合的模型成為 M，而最好的一個(gè)單模型稱為 m_best, 這樣融合的話對于M 確實(shí)可以比 m_best 更好。但是如果拿這個(gè)模型和其他結(jié)構(gòu)的模型再做融合的話，M 的效果并沒有 m_best 好，因?yàn)镸 相當(dāng)于做了平均操作，減少了該模型的“特性”。
但是又有一種新的融合方式，就是利用調(diào)整學(xué)習(xí)率來獲取多個(gè)局部最優(yōu)點(diǎn)，就是當(dāng) loss 降不下了，保存一個(gè) ckpt， 然后開大學(xué)習(xí)率繼續(xù)尋找下一個(gè)局部最優(yōu)點(diǎn)，然后用這些 ckpt 來做融合，還沒試過，單模型肯定是有提高的，就是不知道還會不會出現(xiàn)上面再與其他模型融合就沒提高的情況。
如何使用 tf.train.Saver() 來保存模型
之前一直出錯(cuò)，主要是因?yàn)榭拥木幋a問題。所以要注意文件的路徑絕對不不要出現(xiàn)什么中文呀。
重慶分公司
重慶分公司
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
# Create some variables.
v1 = tf.Variable([1.0, 2.3], name="v1")
v2 = tf.Variable(55.5, name="v2")
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
ckpt_path = './ckpt/test-model.ckpt'
# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
sess.run(init_op)
save_path = saver.save(sess, ckpt_path, global_step=1)
print("Model saved in file: %s" % save_path)Model saved in file: ./ckpt/test-model.ckpt-1
注意，在上面保存完了模型之后。應(yīng)該把 kernel restart 之后才能使用下面的模型導(dǎo)入。否則會因?yàn)閮纱蚊?“v1” 而導(dǎo)致名字錯(cuò)誤。
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
# Create some variables.
v1 = tf.Variable([11.0, 16.3], name="v1")
v2 = tf.Variable(33.5, name="v2")
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
# Restore variables from disk.
ckpt_path = './ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path + '-'+ str(1))
print("Model restored.")
print sess.run(v1)
print sess.run(v2)INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1
Model restored.
[ 1. 2.29999995]
55.5
導(dǎo)入模型之前，必須重新再定義一遍變量。
但是并不需要全部變量都重新進(jìn)行定義，只定義我們需要的變量就行了。
也就是說，你所定義的變量一定要在 checkpoint 中存在；但不是所有在checkpoint中的變量，你都要重新定義。
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
# Create some variables.
v1 = tf.Variable([11.0, 16.3], name="v1")
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
# Restore variables from disk.
ckpt_path = './ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path + '-'+ str(1))
print("Model restored.")
print sess.run(v1)INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1
Model restored.
[ 1. 2.29999995]
tf.Saver([tensors_to_be_saved]) 中可以傳入一個(gè) list，把要保存的 tensors 傳入，如果沒有給定這個(gè)list的話，他會默認(rèn)保存當(dāng)前所有的 tensors。
關(guān)于“TensorFlow如何使用 tf.train.Saver()保存模型”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，使各位可以學(xué)到更多知識，如果覺得文章不錯(cuò)，請把它分享出去讓更多的人看到。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
