Tensorflow模型持久化

Tensorflow模型持久化

1. 保存两个变量和的模型

import tensorflow as tf
v1 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))
v2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))
result = v1 + v2

init_op = tf.global_variables_initializer()
#声明tf.train.Saver类用于保存模型
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(init_op)
    saver.save(sess, "Saved_model/model.ckpt")  

模型保存（Tensorflow会将计算图的结构和图上参数取值分别保存）：

• model.ckpt.meta: 保存Tensorflow计算图的结构。
• model.ckpt: 保存Tensorflow程序中每一个变量的取值。
• checkpoint： 保存目录下所有的模型文件列表。

2. 加载保存的模型

v1 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))
v2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))
result = v1 + v2

init_op = tf.global_variables_initializer()
#声明tf.train.Saver类用于保存模型
saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "Saved_model/model.ckpt")
    print sess.run(result)  

注：加载模型的代码和保存模型的代码基本一样。
    两端代码中，唯一不同的是，在加载模型的代码中没有运行变量的初始话过程，而是将变量的值通过已经保存的模型加载进来。

3. 直接加载持久化的图

saver = tf.train.import_meta_graph("Saved_model/model.ckpt.meta")
v3 = tf.Variable(tf.random_normal([1], stddev=1, seed=1))

with tf.Session() as sess:
    saver.restore(sess, "Saved_model/model.ckpt")
    print sess.run(v1) 
    print sess.run(v2) 
    print sess.run(v3)