這篇文章主要介紹了Tensorflow之Saver的用法詳解，現在分享給大家，也給大家做個參考。一起來看看吧
Saver的用法
1. Saver的背景介紹
我們經常在訓練完一個模型之後希望保存訓練的結果，這些結果指的是模型的參數，以便下次迭代的訓練或用作測試。 Tensorflow針對此需求提供了Saver類別。
Saver類別提供了向checkpoints檔案保存和從checkpoints檔案中復原變數的相關方法。 Checkpoints檔案是一個二進位文件，它把變數名稱映射到對應的tensor值 。
只要提供一個計數器，當計數器觸發時，Saver類別可以自動的產生checkpoint檔案。這讓我們可以在訓練過程中保存多個中間結果。例如，我們可以儲存每一步訓練的結果。
為了避免填滿整個磁碟，Saver可以自動的管理Checkpoints檔案。例如，我們可以指定儲存最近的N個Checkpoints檔案。
2. Saver的實例
下面以範例來敘述如何使用Saver類別
import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32, shape=[None, 1])
y = 4 * x + 4
w = tf.Variable(tf.random_normal([1], -1, 1))
b = tf.Variable(tf.zeros([1]))
y_predict = w * x + b
loss = tf.reduce_mean(tf.square(y - y_predict))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
isTrain = False
train_steps = 100
checkpoint_steps = 50
checkpoint_dir = ''
saver = tf.train.Saver() # defaults to saving all variables - in this case w and b
x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
if isTrain:
for i in xrange(train_steps):
sess.run(train, feed_dict={x: x_data})
if (i + 1) % checkpoint_steps == 0:
saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)
else:
ckpt = tf.train.get_checkpoint_state(checkpoint_dir)
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)
else:
pass
print(sess.run(w))
print(sess.run(b))isTrain：用來區分訓練階段和測試階段，True表示訓練，False表示測試
train_steps：表示訓練的次數，例子中使用100
checkpoint_steps：表示訓練多少次保存一下checkpoints，例子中使用50
checkpoint_dir：表示checkpoints檔案的保存路徑，範例中使用目前路徑
2.1 訓練階段
#使用Saver.save()方法儲存模型：
sess：表示目前會話，目前會話記錄了目前的變數值
checkpoint_dir 'model.ckpt'：表示儲存的檔案名稱
global_step：表示目前是第幾步
訓練完成後，目前目錄底下會多出5個檔案。
開啟名為「checkpoint」的文件，可以看到儲存記錄，和最新的模型儲存位置。
2.1測試階段
測試階段使用saver.restore()方法還原變數：
sess：表示目前會話，先前儲存的結果將會載入這個會話
ckpt.model_checkpoint_path：表示模型儲存的位置，不需要提供模型的名字，它會去查看checkpoint文件，看看最新的是誰，叫做什麼。
運行結果如下圖所示，載入了先前訓練的參數w和b的結果
相關推薦：
#tensorflow1.0學習之模型的儲存與復原(Saver)_python
以上是Tensorflow之Saver的用法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
