tensorflow(12)---参数提取

最新推荐文章于 2025-05-26 08:15:00 发布

原创

最新推荐文章于 2025-05-26 08:15:00 发布 · 1.7k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #深度学习 #机器学习

该博客介绍了如何在TensorFlow中实现训练过程中的参数提取和保存。通过使用ModelCheckpoint回调函数，不仅可以进行断点续训，还能观察并记录模型参数的变化。代码示例展示了加载MNIST数据集，构建模型，训练并保存最佳权重，最后将模型的训练变量及它们的值保存到文本文件中，便于后续分析和检查。

上一篇文章简单讲了怎么断点续训，但是有时候吧，想要看看训练过程中那些参数都长啥样，从开始到结束各个参数如何变化，在网络训练过程中只有accuracy和loss可以看到，这时候需要使用参数提取的方法。

在上一篇基础上，加入一些新内容

import tensorflow as tf
import os
from tensorflow import keras
import numpy as np

# 设置打印格式，threshold=超过多少不打印,np.inf无限大
np.set_printoptions(threshold=np.inf)
mnist = keras.datasets.mnist
(x_train,y_train),(x_test,y_test) = mnist.load_data()
x_train,x_test = x_train/255,x_test/255

model = keras.models.Sequential([
    keras.layers.Flatten(),
    keras.layers.Dense(128,activation='relu'),
    keras.layers.Dense(10,activation='softmax')
])

model.compile(optimizer='adam',
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

checkpoint_save_path = './临时文件/mnist.ckpt'
# 生成ckpt的同时会生成索引文件
if os.path.exists(checkpoint_save_path+'.index'):
    print('-----------load the model----------------')
    model.load_weights(checkpoint_save_path)

cp_call