Tensorflow模型结构
Meta graph:保存网络图结构,包括计算图中的变量,操作,集合,文件扩展名为.meta。
.data和.index文件:保存训练好的参数。
Checkpoint file:记录最新的模型。
保存模型
# 定义saver类 # 指定max_to_keep参数来选择保存最新的几个模型 # 设置keep_checkpoint_every_n_hours来指定隔几个小时保存一次模型 saver = tf.train.Saver(max_to_keep=4) # 定义会话 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) ————训练步骤———— # 保存模型,global_step参数会在命名时记录是在哪一步保存的模型 # 在第一次保存模型时,图结构已经保存在.meta文件中,故之后不需要 # 重复保存,可以设置write_meta_graph参数为False saver.save(sess, "model/my-model", global_step=epoch,global_step=step,write_meta_graph=False)
我们可以在tf.train.Saver()中指明想保存的参数列表,否则将自动保存模型所有参数。
import tensorflow as tf w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1') w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2') saver = tf.train.Saver([w1,w2]) sess = tf.Session() sess.run(tf.global_variables_initializer()) saver.save(sess, 'my_test_model',global_step=1000)加载模型
若想使用一训练好的模型进行fine-tuning,需要两个步骤来加载模型:
1.构建网络图结构
可以通过手动写代码来构建网络图,也可以加载.meta文件来恢复图结构:
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
2.载入训练好的参数
扫描二维码关注公众号,回复:
1689188 查看本文章
with tf.Session() as sess: new_saver = tf.train.import_meta_graph('my_test_model-1000.meta') new_saver.restore(sess, tf.train.latest_checkpoint('./'))