tensorflow保存网络参数并调用迁移参数
2018-02-08 23:58
295 查看
为了节省训练时间和训练所需资源等,我们常常直接利用以前(或别人)训练好的网络模型,加载模型中保存好的各项参数,继续训练或者迁移到其他相似任务中微调参数,或者直接测试使用。
参数保存:
tensorflow中一般使用Saver类中的tf.train.Saver.save()方法保存网络参数,它会在我们设定的参数文件夹中生成三个二进制文件:checkpoints(ckpt),它们保存的是所有参数名的tensor映射。
使用方法:在构建网络结构之后加入如下代码,创建Saver类的实例:
在训练后,调用save方法,即可在model_path路径下保存全部网络参数:
参数调用:
使用tf.train.Saver.restore()方法调用保存在路径model_path下的ckpt文件:
调用训练好的网络中的参数加载到自己的网络中训练或测试,需要这两个网络的结构、参数设置完全一致。
在训练或测试时,使用如下代码,即可实现参数的加载:
参数保存:
tensorflow中一般使用Saver类中的tf.train.Saver.save()方法保存网络参数,它会在我们设定的参数文件夹中生成三个二进制文件:checkpoints(ckpt),它们保存的是所有参数名的tensor映射。
tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)
使用方法:在构建网络结构之后加入如下代码,创建Saver类的实例:
saver = tf.train.Saver()
在训练后,调用save方法,即可在model_path路径下保存全部网络参数:
save_path = saver.save(sess, model_path)
参数调用:
使用tf.train.Saver.restore()方法调用保存在路径model_path下的ckpt文件:
tf.train.Saver.restore(sess, model_path)
调用训练好的网络中的参数加载到自己的网络中训练或测试,需要这两个网络的结构、参数设置完全一致。
在训练或测试时,使用如下代码,即可实现参数的加载:
saver.restore(sess, model_path)
相关文章推荐
- 学习TensorFlow,保存学习到的网络结构参数并调用
- 学习TensorFlow,保存学习到的网络结构参数并调用
- 学习TensorFlow,保存学习到的网络结构参数并调用
- 学习TensorFlow,保存学习到的网络结构参数并调用
- Tensorflow学习教程------模型参数和网络结构保存且载入,输入一张手写数字图片判断是几
- tensorflow保存网络参数 使用训练好的网络参数进行数据的预测
- tensorflow:保存与读取网络结构,参数等
- tensorflow的基本用法(十)——保存神经网络参数和加载神经网络参数
- 用python调用七牛的fetch接口保存网络上的图片
- Tensorflow学习教程------参数保存和提取重利用
- tensorflow1.1/保存和提取训练好的参数
- TensorFlow利用saver保存和提取参数
- 神经网络参数和tensorflow变量
- VC源码多人网络聊天 TCP服务端向多客户转发 加最小化开机启动参数保存可修改ip和端口版权限制等
- tensorflow训练权重保存和调用——tf.saver()
- Tensorflow学习: 保存变量和网络
- 如何通过反射调用带有ref或者out的参数的方法[迁移]
- Tensorflow查看网络(inspect)、冻结变量(freeze)和迁移训练(finetune)
- tensorflow模型参数保存和加载问题
- tensorflow: 保存和加载模型, 参数;以及使用预训练参数方法