Python教程:TensorFlow入门使用 tf.train.Saver()保存模型

本篇文章小编给大家分享一下扣丁学堂Python在线教程TensorFlow入门使用 tf.train.Saver()保存模型,希望可以帮到对Python开发感兴趣的小伙伴们。

Python教程:TensorFlow入门使用 tf.train.Saver()保存模型

​​Python在线教程

关于模型保存的一点心得

saver = tf.train.Saver(max_to_keep=3)

在定义 saver 的时候一般会定义最多保存模型的数量,一般来说,如果模型本身很大,我们需要考虑到硬盘大小。如果你需要在当前训练好的模型的基础上进行 fine-tune,那么尽可能多的保存模型,后继 fine-tune 不一定从最好的 ckpt 进行,因为有可能一下子就过拟合了。但是如果保存太多,硬盘也有压力呀。如果只想保留最好的模型,方法就是每次迭代到一定步数就在验证集上计算一次 accuracy 或者 f1 值,如果本次结果比上次好才保存新的模型,否则没必要保存。

如果你想用不同 epoch 保存下来的模型进行融合的话,3到5 个模型已经足够了,假设这各融合的模型成为 M,而最好的一个单模型称为 m_best, 这样融合的话对于M 确实可以比 m_best 更好。但是如果拿这个模型和其他结构的模型再做融合的话,M 的效果并没有 m_best 好,因为M 相当于做了平均操作,减少了该模型的"特性"。

但是又有一种新的融合方式,就是利用调整学习率来获取多个局部最优点,就是当 loss 降不下了,保存一个 ckpt, 然后开大学习率继续寻找下一个局部最优点,然后用这些 ckpt 来做融合,还没试过,单模型肯定是有提高的,就是不知道还会不会出现上面再与其他模型融合就没提高的情况。

如何使用 tf.train.Saver() 来保存模型

之前一直出错,主要是因为坑爹的编码问题。所以要注意文件的路径绝对不不要出现什么中文呀。

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。应该把 kernel restart 之后才能使用下面的模型导入。否则会因为两次命名 "v1" 而导致名字错误。

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-1Model restored.[ 1. 2.29999995]55.5

导入模型之前,必须重新再定义一遍变量。

但是并不需要全部变量都重新进行定义,只定义我们需要的变量就行了。

也就是说,你所定义的变量一定要在 checkpoint 中存在;但不是所有在checkpoint中的变量,你都要重新定义。

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-1Model restored.[ 1. 2.29999995]

tf.Saver([tensors_to_be_saved]) 中可以传入一个 list,把要保存的 tensors 传入,如果没有给定这个list的话,他会默认保存当前所有的 tensors。

以上就是扣丁学堂Python在线教程TensorFlow入门使用 tf.train.Saver()保存模型,想要了解更多Python内容的小伙伴可以登录扣丁学堂官网咨询,想要学好Python的小伙伴可以选择扣丁学堂Python培训机构学习,扣丁学堂不仅有专业的老师和与时俱进的课程体系,还有大量的Python在线教程供学员观看学习,喜欢的小伙伴可以登录官网学习哦。

相关推荐