tensorflow 的模型保存和调用
2017-04-22 08:30
393 查看
我们通常采用tensorflow来训练,训练完之后应当保存模型,即保存模型的记忆(权重和偏置),这样就可以来进行人脸识别或语音识别了。
1.模型的保存
2.模型的读取
直接读取模型时,可能会报错,我是用Spyder编译的,可以把Spyder关掉,再重新打开,就可以读取数据了。原因可能是:在模型保存时将变量初始化了。
1.模型的保存
# 声明两个变量 v1 = tf.Variable(tf.random_normal([1, 2]), name="v1") v2 = tf.Variable(tf.random_normal([2, 3]), name="v2") init_op = tf.global_variables_initializer() # 初始化全部变量 saver = tf.train.Saver() # 声明tf.train.Saver类用于保存模型 with tf.Session() as sess: sess.run(init_op) print("v1:", sess.run(v1)) # 打印v1、v2的值一会读取之后对比 print("v2:", sess.run(v2)) #定义保存路径,一定要是绝对路径,且用‘/ ’分隔父目录与子目录 saver_path = saver.save(sess, "C:/Users/Administrator/Desktop/tt/model.ckpt") # 将模型保存到save/model.ckpt文件 print("Model saved in file:", saver_path)
2.模型的读取
直接读取模型时,可能会报错,我是用Spyder编译的,可以把Spyder关掉,再重新打开,就可以读取数据了。原因可能是:在模型保存时将变量初始化了。
import tensorflow as tf # 使用和保存模型代码中一样的方式来声明变量 v1 = tf.Variable(tf.random_normal([1, 2]), name="v1") v2 = tf.Variable(tf.random_normal([2, 3]), name="v2") saver = tf.train.Saver() # 声明tf.train.Saver类用于保存模型 with tf.Session() as sess: saver.restore(sess, "C:/Users/Administrator/Desktop/tt/model.ckpt") # 即将固化到硬盘中的Session从保存路径再读取出来 print("v1:", sess.run(v1)) # 打印v1、v2的值和之前的进行对比 print("v2:", sess.run(v2)) print("Model Restored")
相关文章推荐
- TensorFlow学习笔记10——TensorFlow保存和调用模型遇到的问题
- TensorFlow之CNN图像分类及模型保存与调用
- 对tensorflow 的模型保存和调用实例讲解
- tensorflow-模型保存与读取
- tensorflow学习笔记六:保存和加载训练模型
- tensorflow初探---模型文件保存和加载
- tensorflow笔记:模型的保存与训练过程可视化
- tensorflow 保存和加载模型 -2
- [Deep Learning] TensorFlow模型、参数的保存与读取
- TensorFlow保存和加载训练模型
- 在tensorflow中保存模型参数
- tensorflow-模型保存和加载(一)
- 学习TensorFlow,保存学习到的网络结构参数并调用
- TensorFlow学习笔记--网络模型的保存和读取
- Tensorflow学习笔记--模型保存与调取
- tensorflow笔记:模型的保存与训练过程可视化
- tensorflow保存 和 加载模型
- tensorflow(三) 模型保存
- tensorflow笔记:模型的保存与训练过程可视化
- tensorflow学习(4):保存模型Saver.save()的参数命名机制以及restore并创建手写字体识别引擎