本文在前文基础上改进CNN图像二分类算法，介绍如何使用TensorFlow的tf.train.Saver()保存训练参数，以实现模型的持久化。通过设置max_to_keep控制检查点文件数量，并探讨了恢复模型时可能出现的问题，如因tensor name冲突导致的错误，提出了解决方案。最后，展示了加入参数存储和读取后的效果，保留精确度最高的三个模型。
上一篇我们简单介绍了使用卷积神经网络进行图片分类的算法,点这里,然而最后的效果并不理想,现在我们来考虑如何改进这个算法.
这次加入的功能是保存参数的功能.我们训练神经网络,希望损失值越低越好,test的时候希望精确率越高越好.然而最终的目的还是对一张或者几张图片进行分类,所以我们需要保存训练的参数,tensorflow很方便就有这样的功能.
tf.train.Saver()函数就是用来保存参数的,其中max_to_keep表示要保留的最近检查点(check point)文件的最大数量。创建新文件时，将删除旧文件。如果为None或0，则不从文件系统中删除检查点，但只保留最后一个检查点.注意，您仍然需要调用save（）方法来保存模型。将这些参数传递给构造函数不会自动为您保存变量。除了检查点文件之外，保存程序还在磁盘上保留协议缓冲区以及最近的检查点列表。这用于管理编号的检查点文件,通过latest_checkpoint（）可以轻松发现最近检查点的路径。该协议缓冲区存储在检查点文件旁边名为“checkpoint”的文件中。
我们通过restore()函数来恢复以前保存的变量。此方法运行构造函数添加的ops以恢复变量。它需要启动图表的会话。要恢复的变量不必初始化，因为恢复本身就是一种初始化变量的方法。
save(
sess,
save_path,
global_step=None,
latest_filename=None,
meta_graph_suffix='meta',
write_meta_graph=Tru
最低0.47元/天 解锁文章
扫一扫
3570
到【灌水乐园】发言
