深度学习笔记——深度学习框架TensorFlow之Model（十三）

TensorFlow的模型存储，恢复与使用

在tensorflow中保存 模型 恢复模型的 类是tf.train.Saver() 默认 是所有的变量

当不传参数，默认就是所有的变量



保存模型：

#save(sess,save_path,...)
save_path = saver.save(sess,"/root/alexnet.tfmodel")

从文件中恢复模型（此时restore恢复的是sess这个状态，也就是把sess的参数恢复到训练结束时的参数，这个时候的sess）

#restore(sess,save_path,...)
saver.restore(sess,"/root/alexnet.tfmodel")

现在可以进行预测：

input_x = ...
predictions = sess.run(model,feed_dict={x:input_x})

下面来修改MNIST最简单的神经网络实现：

import tensorflow as tf
import data.input_data as input_data
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.slim.python.slim.learning import train_step

from tensorflow.contrib.metrics.python.metrics.classification import accuracy
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
x = tf.placeholder(tf.float32, [None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W)+b)

y_ = tf.placeholder(tf.float32,[None,10])
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=tf.log(y), labels=y_))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
saver = tf.train.Saver()

for _ in range(1000):
batch_x,batch_y = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x:batch_x,y_:batch_y})
saver.save(sess,'model/mnist.tfmodel')
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuray = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuray,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))
sess.close()

在新的类或者其他文件中使用：

saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, '/root/alexnet.tfmodel')
sess.run(....)