Tensorflow模型变量的保存

最新推荐文章于 2024-04-08 16:09:19 发布

翻译最新推荐文章于 2024-04-08 16:09:19 发布 · 439 阅读

TensorFlow 专栏收录该内容

10 篇文章

订阅专栏

本文深入讲解了tf.train.Saver的使用方法，包括如何通过字典或列表指定变量，自动为checkpoint文件编码，以及如何利用计数器保存不同训练迭代轮的checkpoints文件。

1、tf.train.Saver(var_list=None, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0) 。该方法用于保存和恢复变量。该类创建的对象可以“向checkpoints文件中保存变量”或“从checkpoints文件中恢复变量”。checkpoints文件为二进制编码文件。内容为变量名和tensor组成的键值对。

默认保存整个graph（var_list=None）。var_list指定了要保存或恢复的变量，其形式可以为字典（dict）或列表（list）。

若var_list为dict，则在checkpoint文件中，键将被用于保存或恢复变量。若var_list为list形式，则变量的操作名（op.name）将被用作键，变量作为值，构成字典来保存或恢复。

v1 = tf.Variable(..., name='v1')
v2 = tf.Variable(..., name='v2')

# Pass the variables as a dict:
saver = tf.train.Saver({'v1': v1, 'v2': v2})

# Or pass them as a list.
saver = tf.train.Saver([v1, v2])
# Passing a list is equivalent to passing a dict with the variable op names
# as keys:
saver = tf.train.Saver({v.op.name: v for v in [v1, v2]})

Saver可以用计数器自动为checkpoint文件进行编码。这使你在训练模型时可以在不同的训练迭代轮（steps）保存不同编码的checkpoints文件。例如你可以使用训练迭代轮数来为checkpoint文件进行编码。默认参数max_to_keep=5表示只保存最近的5份checkpoints文件，默认参数keep_checkpoint_every_n_hours=10000.0表示每隔10000小时保存一个checkpoint文件，这样可以避免文件占满桌面。例

saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0'
...
saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'

saver.save方法会返回文件的保存路径。