Tensorflow系列——Saver的用法

Saver的用法

1. Saver的背景介绍

我们经常在训练完一个模型之后希望保存训练的结果,这些结果指的是模型的参数,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 。

只要提供一个计数器,当计数器触发时,Saver类可以自动的生成checkpoint文件。这让我们可以在训练过程中保存多个中间结果。例如,我们可以保存每一步训练的结果。

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的实例

下面以一个例子来讲述如何使用Saver类

[python]view plaincopy

importtensorflow as tf

importnumpy 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)

isTrain =False

train_steps =100

checkpoint_steps =50

checkpoint_dir =''

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())

ifisTrain:

foriinxrange(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)

ifckptandckpt.model_checkpoint_path:

saver.restore(sess, ckpt.model_checkpoint_path)

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

2.1 训练阶段

使用Saver.save()方法保存模型:

sess:表示当前会话,当前会话记录了当前的变量值

checkpoint_dir + 'model.ckpt':表示存储的文件名

global_step:表示当前是第几步

训练完成后,当前目录底下会多出5个文件。

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。

2.1测试阶段

测试阶段使用saver.restore()方法恢复变量:

sess:表示当前会话,之前保存的结果将被加载入这个会话

ckpt.model_checkpoint_path:表示模型存储的位置,不需要提供模型的名字,它会去查看checkpoint文件,看看最新的是谁,叫做什么。

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

推荐阅读更多精彩内容