模型的保存和恢复

训练好一个神经网络模型后，我们希望能够将其应用在预测数据上，所以需要保存和恢复模型。

保存和恢复

        TensorFlow提供了一个非常简单的API来存储和加载一个神经网络模型。虽然以上程序只指定了一个文件路径，但是在这个文件目录下会出现四个文件。这是因为TensorFlow会将计算图的结构和图上参数取值分开保存。

***.meta保存了Tensorflow计算图的结构。
ckpt文件保存了Tensorflow程序中每一个变量的取值
    |--***.data-00000-of-00001
    |--***.index
checkpoint保存最新的checkpoint文件以及其它checkpoint文件列表

示例演示
        将前面构建的神经网络训练后保存模型，并重新加载模型进行检测。

import os
import tensorflow as tf
from numpy.random import RandomState


#定义训练数据batch的大小
batch_size = 8
#定义神经网络的参数,随机初始化
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
#在shape上的一个维度上使用None可以方便使用不同的batch大小
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
#定义神经网络前向传播的过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
y = tf.sigmoid(y, name="predict")
#定义损失函数:交叉熵
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))
     +(1-y_) * tf.log(tf.clip_by_value(1 - y, 1e-10, 1.0)))
#反向传播算法应用
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

#通过随机数生成一个数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
#认为x1+x2<1的样本都认为是正样本，用0表示负样本，1来表示正样本
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]

saver = tf.train.Saver()

with tf.Session() as sess:
    #初始化变量
    init = tf.global_variables_initializer()
    sess.run(init)
    print("Before training:")
    print(sess.run(w1))
    print(sess.run(w2))
    #设定训练的次数
    STEPS = 5000
    for i in range(STEPS):
        #每次选取batch_size个样本进行训练
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)
        #通过选取的样本训练神经网络并更新参数
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})

    print(sess.run(w1))
    print(sess.run(w2))
    result = sess.run(y, feed_dict={x: [[0.5, 0.6]]})
    print("Train: ")
    print(result)
    #保存模型
    saver.save(sess, './ckpt_dir/model')

if __name__ == "__main__":
    with tf.Session() as sess:
        if os.path.exists('./ckpt_dir/model.meta'):
            #恢复模型的图结构
            saver = tf.train.import_meta_graph('./ckpt_dir/model.meta')
            #恢复模型的参数
            saver.restore(sess, tf.train.latest_checkpoint('./'))
            graph = tf.get_default_graph()
            #通过name获得操作
            operation_to_restore = graph.get_tensor_by_name("predict:0")
            result = sess.run(operation_to_restore, feed_dict={x: [[0.5, 0.6]]})
            print("SaveAndRestore: ")
            print(result)

运行结果

加载后运行神经网络进行预测