保存一個(gè)簡單的會話
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
result = v1 + v2
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
saver.save(sess, "D:/python/ten_test/me/model.ckpt")
運(yùn)行后在本地的me文件夾中多了以下四個(gè)文件：
具體這幾個(gè)文件的作用不予贅述，網(wǎng)上都可以搜到顺囊。
讀取該會話
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
result = v1 + v2
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, "D:/python/ten_test/me/model.ckpt")
print(sess.run(result))
如此的運(yùn)行結(jié)果為：
可知，在這里，取出來的會話內(nèi)容為對v1和v2的初始化操作呀舔。
保存變量
在使用滑動平均值的時(shí)候，我們需要獲取影子變量的取值扩灯，這時(shí)就涉及到了經(jīng)過運(yùn)算以后保存一個(gè)變量媚赖，然后在需要的時(shí)候把該變量加載讀取出來的問題。
需要注意的時(shí)珠插，由于我們需要獲取變量的值惧磺，故在保存sess之前需要讓sess執(zhí)行一次調(diào)用變量的操作。
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
sess.run(v1)
sess.run(v2)
saver.save(sess, "D:/python/ten_test/me/model.ckpt")
讀取變量
v1 = tf.Variable(tf.constant(0., shape=[1]), name="other_y")
v2 = tf.Variable(tf.constant(0., shape=[1]), name="other_x")
saver = tf.train.Saver({"v1": v1, "v2": v2})
with tf.Session() as sess:
saver.restore(sess, "D:/python/ten_test/me/model.ckpt")
print(sess.run([v1, v2]))
運(yùn)行結(jié)果：
可知捻撑，從加載后的sess中獲取變量類似于tf.assign的賦值操作磨隘，將加載出來的變量值賦值于一個(gè)已有變量。與該變量的對應(yīng)關(guān)系通過Saver字典的對應(yīng)關(guān)系得出顾患。
保存整個(gè)圖
我們知道番捂，在進(jìn)行模型的存儲時(shí)只需要獲得之前所需要的訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)果，所以需要把所有的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程和結(jié)果進(jìn)行封裝江解，調(diào)用時(shí)只使用訓(xùn)練結(jié)果即可设预，所以我么可以把數(shù)據(jù)操作等都進(jìn)行封裝。
如本例犁河，我們需要知道2.0+1.0的結(jié)果是什么鳖枕，所以也應(yīng)該把加法操作一起封裝，最后只加載運(yùn)算結(jié)果即可桨螺。
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
result = v1 + v2
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
sess.run(result)
saver.save(sess, "D:/python/ten_test/me/model.ckpt")
獲取圖
import tensorflow as tf
saver = tf.train.import_meta_graph("D:/python/ten_test/me/model.ckpt.meta")
with tf.Session() as sess:
saver.restore(sess, "D:/python/ten_test/me/model.ckpt")
print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0")))
運(yùn)行結(jié)果：
保存的內(nèi)容不只有變量宾符，還有關(guān)于變量的操作，所以保存的是整個(gè)圖的內(nèi)容灭翔，獲取的時(shí)候也應(yīng)該用圖來初始化saver：
在初始化saver時(shí)的參數(shù)為.ckpt.meta魏烫，是因?yàn)樵撐募楸４嬗?jì)算圖的結(jié)構(gòu)。
在sess中獲取Tensor時(shí)的命名含義為該圖中第0個(gè)add操作缠局，如果想要自定義張量名稱则奥，可以在初始化result時(shí)為其加上名稱：
result = tf.Variable(v1 + v2, name='result')
此時(shí)獲取結(jié)果的相應(yīng)代碼就應(yīng)改為：
tf.get_default_graph().get_tensor_by_name("result:0")
保存結(jié)果
上述結(jié)果保存的為整個(gè)圖的內(nèi)容，包括一些不需要的變量和參數(shù)狭园，但是有時(shí)不需要一些額外的信息读处，我們只需要將計(jì)算的結(jié)果保存為常量然后載入文件即可。
所以我們使用convert_variables_to_constants函數(shù)唱矛，將結(jié)果保存為常量后寫入二進(jìn)制文件罚舱，保存的原理為將圖中的一個(gè)節(jié)點(diǎn)保存井辜，節(jié)點(diǎn)中的張量自然也會被一同保存
import tensorflow as tf
from tensorflow.python.framework import graph_util
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
result = v1 + v2
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
graph_def = tf.get_default_graph().as_graph_def()
output_graph_def = graph_util.convert_variables_to_constants(
sess, graph_def, ['add']
)
#可以通過輸出查看節(jié)點(diǎn)內(nèi)容
#print(output_graph_def)
with tf.gfile.GFile("D:/python/ten_test/graphs/combined_model.pb", "wb") as f:
f.write(output_graph_def.SerializeToString())
讀取變量
import tensorflow as tf
with tf.Session() as sess:
with tf.gfile.GFile("D:/python/ten_test/graphs/combined_model.pb", "rb") as f:
string_in = f.read()
graph_def = tf.GraphDef()
graph_def.ParseFromString(string_in)
result = tf.import_graph_def(graph_def, return_elements=["add:0"])
print(sess.run(result))
運(yùn)行結(jié)果
