tf.train.Saver() 与tf.train.import_meta_graph要点

最新推荐文章于 2020-08-29 20:24:56 发布

原创最新推荐文章于 2020-08-29 20:24:56 发布 · 1.3w 阅读

73 ·

CC 4.0 BY-SA版权

文章标签：

#tf.train.Saver #tf.train.import_meta_graph #tensorflow

深度学习同时被 2 个专栏收录

26 篇文章

订阅专栏

tensorflow

10 篇文章

订阅专栏

本文详细解析了TensorFlow中模型保存与加载的方法，重点介绍了tf.train.Saver()用于保存模型参数，tf.train.import_meta_graph用于加载meta文件中的图及参数。阐述了两者在实际应用中的优缺点，帮助读者理解如何在TensorFlow项目中有效管理模型。

部署运行你感兴趣的模型镜像

(一)、tf.train.Saver()
(1). tf.train.Saver() 是用来保存tensorflow训练模型的,默认保存全部参数
(2). 用来加载参数,注:只加载存储在data中的权重和偏置项等需要训练的参数,其他一律不加载,
包括meta文件中的图也不加载

tf.train.Saver()_1
tf.train.Saver()_2

(二)、tf.train.import_meta_graph
(1). 用来加载meta文件中的图,以及图上定义的结点参数包括权重偏置项等需要训练的参数,也包括训练过程生成的中间参数,所有参数都是通过graph调用接口get_tensor_by_name(name="训练时的参数名称")来获取

(三)、总结
(1). 保存使用tf.train.Saver()
(2). 加载可以使用tf.train.import_meta_graph(".meta文件"),直接通过训练参数名称就可以获取需要的参数,但需要提前知道训练时的参数名称才能获取,要懂得tensorflow命名规则
(3). tf.train.Saver("./checkpoints目录/")加载的缺点是只加载了训练参数,并且必须定义与之相同(shape,dtype要相同,tf.type要相同，如:我是placeholder,你也是tf.placeholder)方能使用,当你要获取训练中间参数时,需要和训练过程一样搭建相同的网络.