您的位置：首页 > 其它

tensorflow学习笔记--三（Variables: 创建，初始化，保存，和恢复）

2017-10-08 21:23 441 查看
tensorflow学习笔记--三

Variables: 创建，初始化，保存，和恢复

TensorFlow Variables 是内存中的容纳 tensor 的缓存。这一小节介绍了用它们在模型训练时(during training)创建、保存和更新模型参数(model parameters) 的方法。

当训练模型时，用变量来存储和更新参数。变量包含张量 (Tensor)存放于内存的缓存区。建模时它们需要被明确地初始化，模型训练后它们必须被存储到磁盘。这些变量的值可在之后模型训练和分析是被加载。

本文档描述以下两个TensorFlow类。

tf.Variable
 类
tf.train.Saver
 类

创建

当创建一个变量时，你将一个
张量
作为初始值传入构造函数
Variable()
。TensorFlow提供了一系列操作符来初始化张量，初始值是常量或是随机值。

注意，所有这些操作符都需要你指定张量的shape。那个形状自动成为变量的shape。变量的shape通常是固定的，但TensorFlow提供了高级的机制来重新调整其行列数。

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")

调用
tf.Variable()
添加一些操作(Op, operation)到graph：

一个
Variable
操作存放变量的值。
一个初始化op将变量设置为初始值。这事实上是一个
tf.assign
操作.
初始值的操作，例如示例中对
biases
变量的
zeros
操作也被加入了graph。
tf.Variable
的返回值是Python的
tf.Variable
类的一个实例。

初始化

变量的初始化必须在模型的其它操作运行之前先明确地完成。最简单的方法就是添加一个给所有变量初始化的操作，并在使用模型之前首先运行那个操作。

你或者可以从检查点文件中重新获取变量值，详见下文。

使用
tf.initialize_all_variables()
添加一个操作对变量做初始化。记得在完全构建好模型并加载之后再运行那个操作。

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()

# Later, when launching the model
with tf.Session() as sess:
# Run the init operation.
sess.run(init_op)
...
# Use the model
...

由另一个变量初始化

你有时候会需要用另一个变量的初始化值给当前变量初始化。由于
tf.initialize_all_variables()
是并行地初始化所有变量，所以在有这种需求的情况下需要小心。

用其它变量的值初始化一个新的变量时，使用其它变量的
initialized_value()
属性。你可以直接把已初始化的值作为新变量的初始值，或者把它当做tensor计算得到一个值赋予新变量。

# Create a variable with a random value.
[code]
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")
 
# Create another variable with the same value as 'weights'.
w2 = tf.Variable(weights.initialized_value(), name="w2")

# Create another variable with twice the value of 'weights'
w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice")
自定义初始化
tf.initialize_all_variables()
函数便捷地添加一个op来初始化模型的所有变量。你也可以给它传入一组变量进行初始化。
最简单的保存和恢复模型的方法是使用
tf.train.Saver
对象。构造器给graph的所有变量，或是定义在列表里的变量，添加
save
和
restore
ops。saver对象提供了方法来运行这些ops，定义检查点文件的读写路径。
保存和加载
最简单的保存和恢复模型的方法是使用
tf.train.Saver
对象。构造器给graph的所有变量，或是定义在列表里的变量，添加
save
和
restore
ops。saver对象提供了方法来运行这些ops，定义检查点文件的读写路径。

检查点文件
变量存储在二进制文件里，主要包含从变量名到tensor值的映射关系。

当你创建一个
Saver
对象时，你可以选择性地为检查点文件中的变量挑选变量名。默认情况下，将每个变量
Variable.name
属性的值。

保存变量
用
tf.train.Saver()
创建一个
Saver
来管理模型中的所有变量。

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
with tf.Session() as sess:
sess.run(init_op)
# Do some work with the model.
..
# Save the variables to disk.
save_path = saver.save(sess, "/tmp/model.ckpt")
print "Model saved in file: ", save_path

恢复变量
用同一个
Saver
对象来恢复变量。注意，当你从文件中恢复变量时，不需要事先对它们做初始化。

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
# Restore variables from disk.
saver.restore(sess, "/tmp/model.ckpt")
print "Model restored."
# Do some work with the model
...

选择存储和恢复哪些变量
如果你不给
tf.train.Saver()
传入任何参数，那么saver将处理graph中的所有变量。其中每一个变量都以变量创建时传入的名称被保存。

有时候在检查点文件中明确定义变量的名称很有用。举个例子，你也许已经训练得到了一个模型，其中有个变量命名为
"weights"
，你想把它的值恢复到一个新的变量
"params"
中。

有时候仅保存和恢复模型的一部分变量很有用。再举个例子，你也许训练得到了一个5层神经网络，现在想训练一个6层的新模型，可以将之前5层模型的参数导入到新模型的前5层中。

你可以通过给
tf.train.Saver()
构造函数传入Python字典，很容易地定义需要保持的变量及对应名称：键对应使用的名称，值对应被管理的变量。

注意：

如果需要保存和恢复模型变量的不同子集，可以创建任意多个saver对象。同一个变量可被列入多个saver对象中，只有当saver的
restore()
函数被运行时，它的值才会发生改变。
如果你仅在session开始时恢复模型变量的一个子集，你需要对剩下的变量执行初始化op。详情请见
tf.initialize_variables()
。
# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore only 'v2' using the name "my_v2"
saver = tf.train.Saver({"my_v2": v2})
# Use the saver object normally after that.
...

原文链接: http://tensorflow.org/how_tos/variables/index.html[/code] 
                                            

                                        

                        
                        内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息 
                    

                    

                    

                        

                         标签： 
                                                

                        

                    


                

            


            

                
相关文章推荐

                

                
            

        

        

            

            
            

                

                    
新的分享

                    

                        
                    

                

            


            

                

                    
章节导航