tensorflow保存与使用数据之坑

最新推荐文章于 2025-04-15 11:44:50 发布

头发光了你就强了

最新推荐文章于 2025-04-15 11:44:50 发布

阅读量452

点赞数

CC 4.0 BY-SA版权

分类专栏： PythonLearn 深度学习文章标签： tensorflow

本文链接：https://blog.youkuaiyun.com/qq_33345917/article/details/84991873

PythonLearn 同时被 2 个专栏收录

85 篇文章

订阅专栏

深度学习

65 篇文章

订阅专栏

本文详细介绍了在TensorFlow中如何正确地保存和恢复tf.Variable，强调了为变量定义名称的重要性，通过实例演示了不同顺序下变量的精确提取过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

先上结论：如果tf.Variable要保存，一定要定义名字。
以保存两个二维数组为例子，看代码：
import tensorflow as tf
import numpy as np

w = tf.Variable([[11,12,13],[22,23,25]],dtype=tf.float32)
b = tf.Variable([[7,8,9],[1,2,3]],dtype=tf.float32)
init = tf.global_variables_initializer()

save = tf.train.Saver()

with tf.Session() as sess:
sess.run(init)
save_path = save.save(sess,“my_net/save_net.ckpt”)
print(“保存路径：”,save_path)
print(sess.run(w))
print(sess.run(b))
输出为：
保存路径： my_net/save_net.ckpt
[[11. 12. 13.]
[22. 23. 25.]]
[[7. 8. 9.]
[1. 2. 3.]]

提取数据代码：
import tensorflow as tf
import numpy as np

#先建立容器
b = tf.Variable(np.arange(6).reshape(2,3),dtype=tf.float32)
w = tf.Variable(np.arange(6).reshape(2,3),dtype=tf.float32)
#不需要初始化
save = tf.train.Saver()

with tf.Session() as sess:
#提取数据
save.restore(sess,“my_net/save_net.ckpt”)
print(“weights”,sess.run(w))
print(“biases”,sess.run(b))
输出为：
weights [[7. 8. 9.]
[1. 2. 3.]]
biases [[11. 12. 13.]
[22. 23. 25.]]
结论：如果保存的tf.Variable数组形状一样，则提取数据时，数据的内容与保存变量代码的变量声明顺讯和提取数据代码的变量申明顺序有关。

如果在保存变量和提取变量时，加个名字，则与顺序无关。
保存变量代码如下：
import tensorflow as tf
import numpy as np

w = tf.Variable([[11,12,13],[22,23,25]],dtype=tf.float32,name=“w”)
b = tf.Variable([[7,8,9],[1,2,3]],dtype=tf.float32,name=“b”)
init = tf.global_variables_initializer()

save = tf.train.Saver()

提取变量代码如下：
import tensorflow as tf
import numpy as np

#先建立容器
b = tf.Variable(np.arange(6).reshape(2,3),dtype=tf.float32,name=“b”)
w = tf.Variable(np.arange(6).reshape(2,3),dtype=tf.float32,name=“w”)
#不需要初始化
save = tf.train.Saver()

with tf.Session() as sess:
#提取数据
save.restore(sess,“my_net/save_net.ckpt”)
print(“weights”,sess.run(w))
print(“biases”,sess.run(b))
输出为：
weights [[11. 12. 13.]
[22. 23. 25.]]
biases [[7. 8. 9.]
[1. 2. 3.]]

变量的值根据名字精确提取