对tensorflow 的模型保存和调用实例讲解
更新时间:2018年07月28日 08:55:33 作者:luoganttcc
今天小编就为大家分享一篇对tensorflow 的模型保存和调用实例讲解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
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
# 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")
以上这篇对tensorflow 的模型保存和调用实例讲解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
相关文章
深入解析Python中的descriptor描述器的作用及用法
在Python中描述器也被称为描述符,描述器能够实现对对象属性的访问控制,下面我们就来深入解析Python中的descriptor描述器的作用及用法2016-06-06Python代码使用 Pyftpdlib实现FTP服务器功能
FTP 服务器,在此之前我都是使用Linux的vsftpd软件包来搭建FTP服务器的,现在发现了利用pyftpdlib可以更加简单的方法即可实现FTP服务器的功能 ,需要的朋友可以参考下2019-07-07pycharm远程连接vagrant虚拟机中mariadb数据库
这篇文章主要介绍了pycharm远程连接vagrant虚拟机中mariadb数据库,需要的朋友可以参考下2020-06-06
最新评论