Tensorflow系列——Saver的用法

Saver的用法

1. Saver的背景介绍

    我们经常在训练完一个模型之后希望保存训练的结果，这些结果指的是模型的参数，以便下次迭代的训练或者用作测试。Tensorflow针对这一需求提供了Saver类。

1. Saver类提供了向checkpoints文件保存和从checkpoints文件中恢复变量的相关方法。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。
2. 只要提供一个计数器，当计数器触发时，Saver类可以自动的生成checkpoint文件。这让我们可以在训练过程中保存多个中间结果。例如，我们可以保存每一步训练的结果。
3. 为了避免填满整个磁盘，Saver可以自动的管理Checkpoints文件。例如，我们可以指定保存最近的N个Checkpoints文件。

2. Saver的实例

下面以一个例子来讲述如何使用Saver类

1. import tensorflow as tf

2. import numpy as np

4. x = tf.placeholder(tf.float32, shape=[None, 1])

5. y = 4 * x + 4

7. w = tf.Variable(tf.random_normal([1], -1, 1))

8. b = tf.Variable(tf.zeros([1]))

9. y_predict = w * x + b

12. loss = tf.reduce_mean(tf.square(y - y_predict))

13. optimizer = tf.train.GradientDescentOptimizer(0.5)

14. train = optimizer.minimize(loss)

16. isTrain = False

17. train_steps = 100

18. checkpoint_steps = 50

19. checkpoint_dir = ''

21. saver = tf.train.Saver() # defaults to saving all variables - in this case w and b

22. x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))

24. with tf.Session() as sess:

25. sess.run(tf.initialize_all_variables())

26. if isTrain:

27. for i in xrange(train_steps):

28. sess.run(train, feed_dict={x: x_data})

29. if (i + 1) % checkpoint_steps == 0:

30. saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)

31. else:

32. ckpt = tf.train.get_checkpoint_state(checkpoint_dir)

33. if ckpt and ckpt.model_checkpoint_path:

34. saver.restore(sess, ckpt.model_checkpoint_path)

35. else:

36. pass

37. print(sess.run(w))

38. print(sess.run(b))

isTrain：用来区分训练阶段和测试阶段，True表示训练，False表示测试
train_steps：表示训练的次数，例子中使用100
checkpoint_steps：表示训练多少次保存一下checkpoints，例子中使用50
checkpoint_dir：表示checkpoints文件的保存路径，例子中使用当前路径

2.1 训练阶段

使用Saver.save()方法保存模型：

1. sess：表示当前会话，当前会话记录了当前的变量值
2. checkpoint_dir + 'model.ckpt'：表示存储的文件名
3. global_step：表示当前是第几步

训练完成后，当前目录底下会多出5个文件。

    打开名为“checkpoint”的文件，可以看到保存记录，和最新的模型存储位置。

2.1测试阶段

    测试阶段使用saver.restore()方法恢复变量：

1. sess：表示当前会话，之前保存的结果将被加载入这个会话
2. ckpt.model_checkpoint_path：表示模型存储的位置，不需要提供模型的名字，它会去查看checkpoint文件，看看最新的是谁，叫做什么。

    运行结果如下图所示，加载了之前训练的参数w和b的结果