Tensorflow |（5）模型保存與恢復、自定義命令行參數(shù)

Tensorflow |（1）初識Tensorflow

Tensorflow |（2）張量的階和數(shù)據(jù)類型及張量操作

Tensorflow |（3）變量的的創(chuàng)建、初始化、保存和加載

Tensorflow |（4）名稱域、圖 和會話

Tensorflow |（5）模型保存與恢復、自定義命令行參數(shù)

模型保存與恢復、自定義命令行參數(shù)、

在我們訓練或者測試過程中，總會遇到需要保存訓練完成的模型，然后從中恢復繼續(xù)我們的測試或者其它使用。模型的保存和恢復也是通過tf.train.Saver類去實現(xiàn)，它主要通過將Saver類添加OPS保存和恢復變量到checkpoint。它還提供了運行這些操作的便利方法。

tf.train.Saver(var_list=None, reshape=False, sharded=False, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0, name=None, restore_sequentially=False, saver_def=None, builder=None, defer_build=False, allow_empty=False, write_version=tf.SaverDef.V2, pad_step_number=False)

var_list:指定將要保存和還原的變量。它可以作為一個dict或一個列表傳遞.

max_to_keep：指示要保留的最近檢查點文件的最大數(shù)量。創(chuàng)建新文件時，會刪除較舊的文件。如果無或0，則保留所有檢查點文件。默認為5（即保留最新的5個檢查點文件。）

keep_checkpoint_every_n_hours：多久生成一個新的檢查點文件。默認為10,000小時

保存

保存我們的模型需要調用Saver.save()方法。save(sess, save_path, global_step=None)，checkpoint是專有格式的二進制文件，將變量名稱映射到張量值。

import tensorflow as tf

a = tf.Variable([[1.0,2.0]],name="a")

b = tf.Variable([[3.0],[4.0]],name="b")

c = tf.matmul(a,b)

saver=tf.train.Saver()

with tf.Session() as sess:

tf.global_variables_initializer().run()

print(sess.run(c))

saver.save(sess, '/tmp/ckpt/test/matmul')

我們可以看保存了什么文件

在多次訓練的時候可以指定多少間隔生成檢查點文件

saver.save(sess, '/tmp/ckpt/test/matmu', global_step=0) ==> filename: 'matmu-0'

saver.save(sess, '/tmp/ckpt/test/matmu', global_step=1000) ==> filename: 'matmu-1000'

恢復

恢復模型的方法是restore(sess, save_path)，save_path是以前保存參數(shù)的路徑，我們可以使用tf.train.latest_checkpoint來獲取最近的檢查點文件(也惡意直接寫文件目錄)

import tensorflow as tf

a = tf.Variable([[1.0,2.0]],name="a")

b = tf.Variable([[3.0],[4.0]],name="b")

c = tf.matmul(a,b)

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

with tf.Session() as sess:

tf.global_variables_initializer().run()

print(sess.run(c))

saver.save(sess, '/tmp/ckpt/test/matmul')

# 恢復模型

model_file = tf.train.latest_checkpoint('/tmp/ckpt/test/')

saver.restore(sess, model_file)

print(sess.run([c], feed_dict={a: [[5.0,6.0]], b: [[7.0],[8.0]]}))

自定義命令行參數(shù)

tf.app.run(),默認調用main()函數(shù)，運行程序。main(argv)必須傳一個參數(shù)。

tf.app.flags，它支持應用從命令行接受參數(shù)，可以用來指定集群配置等。在tf.app.flags下面有各種定義參數(shù)的類型

DEFINE_string(flag_name, default_value, docstring)

DEFINE_integer(flag_name, default_value, docstring)

DEFINE_boolean(flag_name, default_value, docstring)

DEFINE_float(flag_name, default_value, docstring)

第一個也就是參數(shù)的名字，路徑、大小等等。第二個參數(shù)提供具體的值。第三個參數(shù)是說明文檔

tf.app.flags.FLAGS,在flags有一個FLAGS標志，它在程序中可以調用到我們前面具體定義的flag_name.

import tensorflow as tf

FLAGS = tf.app.flags.FLAGS

tf.app.flags.DEFINE_string('data_dir', '/tmp/tensorflow/mnist/input_data',

"""數(shù)據(jù)集目錄""")

tf.app.flags.DEFINE_integer('max_steps', 2000,

"""訓練次數(shù)""")

tf.app.flags.DEFINE_string('summary_dir', '/tmp/summary/mnist/convtrain',

"""事件文件目錄""")

def main(argv):

print(FLAGS.data_dir)

print(FLAGS.max_steps)

print(FLAGS.summary_dir)

print(argv)

if __name__=="__main__":

tf.app.run()

TensorFlow 機器學習

版權聲明：本文內(nèi)容由網(wǎng)絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權內(nèi)容。

版權聲明：本文內(nèi)容由網(wǎng)絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權內(nèi)容。