Tensorflow之Saver的用法详解

saver的用法

1. saver的背景介绍

我们经常在训练完一个模型之后希望保存训练的结果，这些结果指的是模型的参数，以便下次迭代的训练或者用作测试。tensorflow针对这一需求提供了saver类。

saver类提供了向checkpoints文件保存和从checkpoints文件中恢复变量的相关方法。checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。

只要提供一个计数器，当计数器触发时，saver类可以自动的生成checkpoint文件。这让我们可以在训练过程中保存多个中间结果。例如，我们可以保存每一步训练的结果。

为了避免填满整个磁盘，saver可以自动的管理checkpoints文件。例如，我们可以指定保存最近的n个checkpoints文件。

2. saver的实例

下面以一个例子来讲述如何使用saver类 

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)) 

1. istrain：用来区分训练阶段和测试阶段，true表示训练，false表示测试
2. train_steps：表示训练的次数，例子中使用100
3. checkpoint_steps：表示训练多少次保存一下checkpoints，例子中使用50
4. checkpoint_dir：表示checkpoints文件的保存路径，例子中使用当前路径

2.1 训练阶段

使用saver.save()方法保存模型：

1. sess：表示当前会话，当前会话记录了当前的变量值
2. checkpoint_dir + 'model.ckpt'：表示存储的文件名
3. global_step：表示当前是第几步

训练完成后，当前目录底下会多出5个文件。

打开名为“checkpoint”的文件，可以看到保存记录，和最新的模型存储位置。

2.1测试阶段

测试阶段使用saver.restore()方法恢复变量：

sess：表示当前会话，之前保存的结果将被加载入这个会话

ckpt.model_checkpoint_path：表示模型存储的位置，不需要提供模型的名字，它会去查看checkpoint文件，看看最新的是谁，叫做什么。

运行结果如下图所示，加载了之前训练的参数w和b的结果

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。