1、模型训练（部分代码）：
X = tf.placeholder(tf.float64,X_data.shape,name='X')
Y = tf.placeholder(tf.float64,Y_data.shape,name='Y')
epoch_num = 500
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
loss_data = []
# 创建FileWriter对象，用当前计算图初始化
writer = tf.summary.FileWriter('./summary/', sess.graph)
# 保存模型
saver_path = './model/checkpoint/model.ckpt' # 模型保存路径
saver = tf.train.Saver() # 新建Saver()对象
for i in range(1,epoch_num+1):
_, loss = sess.run([optimizer,loss_func],feed_dict={X:X_data,Y:Y_data})
loss_data.append(loss)
saved_path = saver.save(sess, saver_path) # 保存模型
print("epoch:%d,loss:%.4g" % (i,loss))
# 关闭FileWriter
writer.close()
2、保存模型
# 模型保存路径 saver_path = './model/checkpoint/model.ckpt' # 新建Saver()对象 saver = tf.train.Saver() # 保存模型 saved_path = saver.save(sess, saver_path)
执行之后，在目录./model/checkpoint/model.ckpt下，生成模型相关文件，如图：
3、恢复模型并使用模型、变量
meta_path = './model/checkpoint/model.ckpt.meta'
model_path = './model/checkpoint/model.ckpt'
# 导入计算图
saver = tf.train.import_meta_graph(meta_path)
config = tf.ConfigProto()
with tf.Session(config=config) as sess:
# 恢复模型
saver.restore(sess, model_path)
# 此时默认图就是导入的图
graph_restore = tf.get_default_graph()
# 恢复变量
W = graph_restore.get_tensor_by_name('W:0')
b = graph_restore.get_tensor_by_name('b:0')
# 预测模型
predict_func = tf.matmul(test_data, W)
predict_value = sess.run([predict_func],feed_dict={x:test_data})
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。