tensorflow 1.0之tf.train.Saver 文档翻译

tf.train.Saver

类tf.train.Saver

请参阅指南：变量>保存和恢复变量

保存和恢复变量。

有关变量，保存和恢复的概述，请参阅变量。

Saver类添加了ops来保存和恢复变量到检查点和从检查点恢复变量。它还提供了运行这些操作的便利方法。

检查点是以变量名称与张量值映射的专有格式的二进制文件。检查检查点内容的最好方法是使用Saver加载它。

Savers可以使用提供的计数器自动为检查点文件名编号。这允许您在训练模型时在不同的步骤保持多个检查点。例如，您可以使用训练步骤编号为检查点文件名编号。为了避免填满磁盘，存储器自动管理检查点文件。例如，它们可以只保留N个最近的文件，或者每N个训练时间保留一个检查点。

通过将值传递给save（）的可选global_step参数，可以对检查点文件名进行编号：

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

... ...

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

此外，Saver（）构造函数的可选参数允许您控制磁盘上检查点文件的扩散：

max_to_keep表示要保留的最近检查点文件的最大数目。创建新文件时，将删除较旧的文件。如果为None或0，则保留所有检查点文件。默认值为5（即，保留5个最近的检查点文件。）

keep_checkpoint_every_n_hours：除了保留最新的max_to_keep检查点文件，您可能需要为每N个小时的训练保留一个检查点文件。如果您想稍后分析模型在长时间训练期间的进展情况，这将非常有用。例如，传递keep_checkpoint_every_n_hours = 2可确保每2个小时的训练保留一个检查点文件。默认值10,000小时有效地禁用此功能。

注意，你仍然需要调用save（）方法来保存模型。将这些参数传递给构造函数不会自动为您保存变量。

定期保存的培训计划如下：

... ...

＃创建一个保护程序。

saver = tf.train.Saver（... variables ...）

＃启动图表和火车，每1000步保存模型。

sess = tf.Session（）

for xrange（1000000）：

    sess.run（.. training_op ..）

    如果步骤％1000 == 0：

        ＃将步骤编号附加到检查点名称：

        saver.save（sess，'my-model'，global_step = step）

除了检查点文件，存储器在磁盘上保存最近的检查点列表的协议缓冲区。这用于管理编号的检查点文件和通过latest_checkpoint（），这使得很容易发现到最近的检查点的路径。该协议缓冲区存储在检查点文件旁边的名为“checkpoint”的文件中。

如果创建多个存储器，则可以在调用save（）中为协议缓冲区文件指定不同的文件名。

属性

last_checkpoints

尚未删除的检查点文件名列表。

您可以将任何返回的值传递给restore（）。

返回：

检查点文件名列表，从最旧到最新。

方法

__init __（var_list = None，reshape = False，sharded = False，max_to_keep = 5，keep_checkpoint_every_n_hours = 10000.0，name = None，restore_sequentially = False，saver_def = None，builder = None，defer_build = False，allow_empty = False，write_version = tf。 SaverDef.V2，pad_step_number
= False）

创建节省。

构造函数添加ops来保存和恢复变量。

var_list指定将要保存和恢复的变量。它可以作为dict或列表传递：

名称对变量的dict：键是将用于保存或恢复检查点文件中的变量的名称。

变量列表：变量将以检查点文件中的操作名称键入。

例如：

v1 = tf.Variable（...，name ='v1'）

v2 = tf.Variable（...，name ='v2'）

＃将变量作为dict传递：

saver = tf.train.Saver（{'v1'：v1，'v2'：v2}）

＃或将它们作为列表传递。

saver = tf.train.Saver（[v1，v2]）

＃传递列表相当于传递带有变量op名称的dict

＃为键：

saver = tf.train.Saver（{v.op.name：v for v in [v1，v2]}）

可选的reshape参数（如果为True）允许从保存文件中恢复变量，其中变量具有不同的形状，但元素和类型的数量相同。如果您已重新塑造变量并希望从较旧的检查点重新加载它，这将非常有用。

可选的分片参数（如果为True）指示保存程序为每个设备分割检查点。