Tensorflow的模型保存和读取tf.train.Saver

最新推荐文章于 2021-02-28 08:50:55 发布
转载 最新推荐文章于 2021-02-28 08:50:55 发布 · 263 阅读 · 0

本文转载了一篇技术文章，详细内容请访问原文链接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习笔记（九）——tf模型导出保存、模型加载、常用模型导出tflite、权重量化、模型部署
拨雪寻春，烧灯续昼
01-21 4145
简单介绍了tf2保存模型的方式和相关代码，并导出为tflite，在加载保存的模型进行一次前向推理。最后简单介绍了了两种常用的量化方式。
TF入门之模型的保存与读取
很吵请安静
07-24 2713
参考资料： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/4_Utils/save_restore_model.py from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist =...
tf模型保存、载入
aong4563的博客
09-18 1072
转载于:https://www.cnblogs.com/yunshangyue71/p/11543916.html
tf 加载模型
斯大分的博客
02-28 1280
with tf.Session(config = config) as sess: try: #定义了存储模型的文件路径，即：当前运行的python文件路径下，文件名为stock_rnn.ckpt saver.restore(sess, model_save_path) pri...
tensorflow实现读取模型中保存的值 tf.train.NewCheckpointReader
09-17
### TensorFlow 实现读取模型中保存的值：`tf.train.NewCheckpointReader` 在深度学习领域，尤其是使用TensorFlow框架进行模型训练与部署时，能够有效地读取和利用已保存的模型参数至关重要。本文将详细介绍如何...
【Tensorflow教程笔记】常用模块 tf.train.Checkpoint ：变量的保存与恢复
nanke_4869的博客
02-28 9022
Tensorflow教程笔记 TensorFlow 基础 TensorFlow 模型建立与训练 基础示例：多层感知机（MLP） 卷积神经网络（CNN） 循环神经网络（RNN） 深度强化学习（DRL） Keras Pipeline 自定义层、损失函数和评估指标 常用模块 tf.train.Checkpoint ：变量的保存与恢复 目录Tensorflow教程笔记tf.train.Checkpoint Checkpoint 只保存模型的参数，不保存模型的计算过程，因此一般用于在具有模型源代码的时候恢复之前训练
TensorFlow Saver:保存和读取模型参数.ckpt实例
09-17
在TensorFlow中，模型的保存和读取是训练过程中不可或缺的部分，这有助于防止训练中断时的数据丢失，并允许在需要时快速恢复或部署已训练的模型。`TensorFlow Saver` 是一个内置模块，专门用于保存和加载模型的参数...
最全Tensorflow模型保存和提取的方法——附实例
缘分天空，美丽的梦的博客
05-06 1万+
一、Tensorflow模型的保存和提取方法1、Tensorflow通过tf.train.Saver类实现神经网络模型的保存和提取。tf.train.Saver对象saver的save方法将Tensoreflow模型保存到指定的路径中，saver.save(sess,'model/model.ckpt).实际在这个文件目录下有4个文件：checkpoint 文件保存了一个录下多有的模型文件列表，m...
[483]tensorflow模型保存和读取tf.train.Saver
周小董
01-03 2433
目标：训练网络后想保存训练好的模型，以及在程序中读取以保存的训练好的模型。 首先，保存和恢复都需要实例化一个 tf.train.Saver。 saver = tf.train.Saver() 然后，在训练循环中，定期调用 saver.save() 方法，向文件夹中写入包含了当前模型中所有可训练变量的 checkpoint 文件。 saver.save(sess, save_path...
TF基础4
weixin_34402408的博客
03-05 211
模型的存储与加载 TF的API提供了两种方式来存储和加载模型: 1.生成检查点文件，扩展名.ckpt,通过在tf.train.Saver()对象上调用Saver.save()生成。包含权重和其他在程序中定义的变量，不包含图结构。 2.生成图协议文件，扩展名.pb，用tf.train.write_graph()保存，只包含图形结构，不包含权重，然后使用tf.import_graph_def()来加载...
tensorflow 读取模型并进行预测
热门推荐
要加油
12-27 3万+
tensorflow 读取两种格式的模型并进行预测 0.模型保存 如图所示， .meta – 保存图结构，即神经网络的网络结构 .data – 保存数据文件，即网络的权值，偏置，操作等等 .index – 是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的...
如何用Tensorflow训练模型成pb文件（二）——基于tfrecord的读取
Alex_XT的博客
09-10 2515
简介上一篇介绍了基于原始图片的读取，这一篇介绍基于TFRecord的读取。TFRecord是TensorFlow提供的数据读取格式，效率高。这里不介绍TFRecord的制作过程，网上有很多，假设你已经了解了。训练定义网络结构，与上一篇相似，不多说了，也是placeholder name=”input”等，但是这里多了inputs, pop_mean, pop_var, beta, scale = m
tensorflow学习（6） 保存运行数据 saver
weixin_40820983的博客
12-11 1437
import tensorflow as tf v1 = tf.Variable(tf.random_normal([1,2]), name="v1") v2 = tf.Variable(tf.random_normal([2,3]), name="v2") init_op = tf.global_variables_initializer() saver = tf.train.Saver()...
Tensorflow保存模型，恢复模型，使用训练好的模型进行预测和提取中间输出（特征）【转】
shareinfo2018
08-09 9010
来自：http://blog.csdn.net/ying86615791/article/details/72731372 前言： tensorflow中有operation和tensor，前者表示 操作 ，后者表示 容器 ，每个operation都是有一个tensor来存放值的，比如y=f(x), operation是f(x), tensor存放的就是y，如果要获取y，就必须输入x ten
tf.train.Saver()-tensorflow中模型的保存及读取
ftfy123的博客
02-26 814
tf.train.Saver()-tensorflow中模型的保存及读取 转自：https://www.cnblogs.com/bevishe/p/10359993.html 作用：训练网络之后保存训练好的模型，以及在程序中读取已保存好的模型 使用步骤： 实例化一个Saver对象saver = tf.train.Saver() 在训练过程中，定期调用saver.save方法，像文件夹...
TF保存和加载模型
qq_38675570的博客
05-14 2373
原链接：https://www.jianshu.com/p/8850127ed25d 保存文件介绍 Tensorflow 模型有两个主要的文件： meta graph This is a protocol buffer which saves the complete Tensorflow graph; i.e. all variables, operations, collections...
TF2.0 subclass存储及读取模型
qq_26979005的博客
03-07 812
Tensorflow Subclass存储问题 问题描述：项目中通过tf.keras.layer.Layers及f.keras.layer.Model进行构建模型，在存储的过程中能够存储自己的模型，但是由于模型是通过继承以上两个基础类，可以通过save_weights或者在callbacks中添加checkpoint的方式存储模型的weight，但是在读取模型的时候会出现error ValueEr...
tensorflow中读取模型中保存的值, tf.train.NewCheckpointReader
写了 = 会了.gif
10-06 7269
使用tf.trian.NewCheckpointReader(model_dir) 一个标准的模型文件有一下文件, model_dir就是MyModel(没有后缀) checkpoint Model.meta Model.data-00000-of-00001 Model.index import tensorflow as tf import pprint # 使用pprint 提高打印的可...
import tensorflow as tf from tensorflow.contrib.tensorboard.plugins import projector 和import tensorflow.compat.v1 as tf tf.compat.v1.disable_eager_execution()融合在一起
最新发布
03-23
<think>好的，我现在需要解决用户的问题：如何在TensorFlow 2.x中同时使用TensorBoard Projector插件并禁用Eager Execution。首先，我得回顾一下TensorFlow 2.x的变化，尤其是关于tf.contrib的移除和Eager Execution的默认启用。 用户提到旧版代码使用了tensorflow.contrib.tensorboard.plugins.projector，而TensorFlow 2.x已经移除了tf.contrib，所以需要找到替代方案。根据之前的引用，比如引用[3]和引用[5]，可能Projector插件现在集成到了TensorBoard中，或者需要其他导入方式。可能需要使用tensorboard.plugins.projector或者通过兼容性模块来引入。 然后，禁用Eager Execution在TensorFlow 2.x中可以通过tf.compat.v1.disable_eager_execution()来实现，但需要注意这个函数必须在任何操作之前调用，否则会报错。所以代码中需要先禁用Eager，再导入其他模块或定义计算图。 接下来，需要处理Projector的API。查看引用[4]，用户提到了从tensorflow.contrib.tensorboard.plugins导入projector，但2.x中这个路径不存在了。可能需要改用其他的包，比如从tensorboard.plugins.projector导入，或者使用tf.compat.v1中的兼容性函数。 另外，引用[3]提到了使用Embedding Projector的在线工具，但代码中可能需要将嵌入向量和元数据保存到日志目录，然后启动TensorBoard来查看。因此，代码示例需要包含保存嵌入向量的逻辑，配置Projector的参数，并生成相应的文件如metadata.tsv。 可能还需要使用tf.summary.create_file_writer来创建日志文件，然后使用Projector的API配置嵌入层。同时，需要确保在禁用Eager Execution的情况下，使用Session来运行初始化操作，比如保存检查点，因为Projector需要从检查点读取嵌入向量。 现在，综合这些信息，编写代码的大致步骤应该是： 1. 禁用Eager Execution。 2. 导入必要的模块，包括TensorBoard的Projector插件。 3. 定义模型和嵌入层。 4. 配置Projector参数，指定嵌入变量和元数据路径。 5. 创建日志目录和文件写入器。 6. 使用Session运行初始化，保存检查点。 需要注意的坑：在禁用Eager后，必须使用tf.compat.v1.Session来运行初始化操作，并且检查点的保存可能需要手动处理。同时，metadata.tsv文件需要正确生成并放在指定的路径，供Projector读取。 最后，验证代码是否能在TensorFlow 2.x中运行，并启动TensorBoard查看投影结果。如果有错误，可能需要检查导入路径是否正确，以及禁用Eager后的计算图模式是否兼容旧代码。</think>要在TensorFlow 2.x中兼容旧版`tensorflow.contrib`中的Projector插件并禁用Eager Execution，需结合`tf.compat.v1`接口和TensorBoard的独立包实现。以下是分步示例： --- ### **1. 兼容性代码实现** ```python import tensorflow as tf from tensorboard.plugins import projector # 新版Projector插件路径 import numpy as np # 禁用Eager Execution（必须放在最前面） tf.compat.v1.disable_eager_execution() # 定义嵌入变量（示例数据） embedding_var = tf.compat.v1.get_variable("embedding", shape=[1000, 128], initializer=tf.random_normal_initializer()) # 创建元数据文件（如标签） metadata_path = "logs/projector/metadata.tsv" with open(metadata_path, 'w') as f: for i in range(1000): f.write(f'label_{i}\n') # 配置Projector参数 config = projector.ProjectorConfig() embedding = config.embeddings.add() embedding.tensor_name = embedding_var.name embedding.metadata_path = metadata_path # 保存配置到日志目录 summary_writer = tf.compat.v1.summary.FileWriter('logs/projector') projector.visualize_embeddings(summary_writer, config) # 初始化变量并保存检查点 with tf.compat.v1.Session() as sess: sess.run(tf.compat.v1.global_variables_initializer()) saver = tf.compat.v1.train.Saver() saver.save(sess, 'logs/projector/model.ckpt', global_step=0) ``` --- ### **2. 关键点说明** 1. **禁用Eager Execution** `tf.compat.v1.disable_eager_execution()`需在代码开头调用，确保后续操作处于计算图模式[^1]。 2. **Projector插件迁移** TensorFlow 2.x将Projector从`tf.contrib`移至独立包`tensorboard.plugins.projector`，需通过`from tensorboard.plugins import projector`导入[^3][^5]。 3. **检查点保存** 在计算图模式下，需手动创建`tf.compat.v1.Session`和`Saver`对象保存嵌入变量，Projector依赖检查点文件解析嵌入数据[^4]。 4. **元数据文件格式** `metadata.tsv`需与嵌入数据维度匹配，并通过`embedding.metadata_path`指定路径。 --- ### **3. 启动TensorBoard** ```bash tensorboard --logdir=logs/projector ``` 访问`http://localhost:6006`后，在**Projector**标签页中可查看高维向量投影结果[^2][^3]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值