python tensorflow学习（五）tensorflow模型的保存与恢复

tensorflow模型的保存与恢复

今天不想学习，缓一缓呀，上一章用到了tensorflow模型的保存，今天详细的再学一学。
大纲：

• 简单的保存与恢复

• 更为细化的保存与恢复方法

简单的保存与恢复

Saver是tensorflow中的保存类，其常用方法为save和restore 分别用于模型的保存和恢复。
一般的保存方式为：

save_path = "..."  # 自行填入保存地址
saver = tf.train.Saver()
Sess = tf.Session()
...
# 模型定义
...
saver.save(sess, save_path)

结果会有如下几个文件：

其中，
checkpoint为检查点文件，记录存储文件的名称
.ckpt.index存储权重目录
.ckpt.meta存储整个数据流图
.ckpt.data存储所有权重
同时，也可以多次通过设置global_step多次保存模型：

for i in range(100):
   saver.save(sess, save_path, global_step=i)

但是为了防止占据太多空间，tensorflow仅仅会保存最近的5个模型文件，删除其他模型。
模型的恢复也很简单：

save_path = "..."
saver = tf.train.Saver()
sess = tf.Session()
...
# 模型定义
...
saver.restore(sess, save_path)

更为细化的模型保存与恢复

当进行整个模型的存储和恢复时，上述方法已经够用，但需要对特定的权重进行恢复和处理时，首先需要为每个变量进行命名：

with tf.variable_scope("var"):
   a = tf.Variable(tf.random_normal([1]), name="a_val")
x = tf.placeholder(tf.float32, name="x_placeholder")
print(a)
print(x)

其中==tf.variable_scope(“var”)==的作用是定义一个命名域
输出a和x：

<tf.Variable 'var/a_val:0' shape=(1,) dtype=float32_ref>
Tensor("x_placeholder:0", dtype=float32)

可以发现a的名字为== ‘var/a_val:0’==，var为其命名空间，0是为了进行参数的复用而使用的符号。
然后就可以恢复并处理特定的值啦：

saver = tf.train.import_meta_graph('./model/AlexNetModel.ckpt.meta')
graph = tf.get_default_graph()
a = graph.get_tensor_by_name('var/a_val:0')
x = graph.get_tensor_by_name('x_placeholder:0')
print(a)
print(x)

输出：

<tf.Variable 'var/a_val:0' shape=(1,) dtype=float32_ref>
Tensor("x_placeholder:0", dtype=float32)

为了得到其值，则需要在对话中完成：

saver = tf.train.import_meta_graph('./model/AlexNetModel.ckpt.meta')
graph = tf.get_default_graph()
a = graph.get_tensor_by_name('var/a_val:0')

with tf.Session() as sess:
  saver.restore(sess, './model/AlexNetModel.ckpt')  # 恢复权重
  result = sess.run(a)
  print(result)

今天划了一天，明天一定好好学习！
8说了，好久没打游戏了，晚上回去爽一爽嘻嘻。