tensorflow中的Supervisor

最新推荐文章于 2020-12-19 05:04:03 发布

weixin_30484739

最新推荐文章于 2020-12-19 05:04:03 发布

阅读量176

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能

原文链接：http://www.cnblogs.com/jiangxinyang/p/9396211.html

本文介绍tf.train.Supervisor如何简化TensorFlow模型训练流程，包括自动加载或初始化数据、内置Saver用于checkpoint保存及Summary记录，通过示例代码展示其在模型训练中的应用。

　　tf.train.Supervisor()可以帮我们简化一些事情，可以保存模型参数和Summary，它有以下的作用：

　　1）自动去checkpoint加载数据或初始化数据，因此我们就不需要手动初始化或者从checkpoint中加载数据

　　2）自身有一个Saver，可以用来保存checkpoint，因此不需要创建Saver，直接使用Supervisor里的Saver即可

　　3）有一个summary_computed用来保存Summary，因此不需要创建summary_writer

　　因此从这里看，Supervisor相当于将一些功能集成到一起了，具体代码实现

import tensorflow as tf


a = tf.Variable(1)
b = tf.Variable(2)
c = tf.add(a, b)
update = tf.assign(a, c)
tf.summary.scalar("a", a)
init_op = tf.initialize_all_variables()
merged_summary_op = tf.summary.merge_all()
sv = tf.train.Supervisor(logdir="./tmp/", init_op=init_op)  # 直接初始化
saver = sv.saver
with sv.managed_session() as sess:
    for i in range(10000):
        update_ = sess.run(update)
        if i % 10 == 0:
            merged_summary = sess.run(merged_summary_op)
            sv.summary_computed(sess, merged_summary, global_step=i)  # 直接将summary保存

        if i % 100 == 0:
            saver.save(sess, save_path="./tmp/", global_step=i)  # 直接将模型参数保存