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)