Tensorflow-saver模型参数保存及载入

深度学习框架Tensorflow学习与应用实战

1.训练模型参数(权值矩阵、偏置值)并保存到指定文件夹下

#保存训练好的模型参数(权重矩阵、偏置值等)到指定文件夹中
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data#载入数据集,one_hot:将标签转换为只有一位为1，其它为0，会自动从网上下载数据集到当前目录
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)#每个批次的大小
batch_size=100
#计算一共有多少个批次（整除）
n_batch=mnist.train.num_examples//batch_size#该神经网络只输入层和输出层，输入层包含784个神经元，输出层包含10个神经元
#定义两个placeholder,将28*28数字图片偏平为规格为784的向量
x=tf.placeholder(tf.float32,[None,784])
#标签结果
y=tf.placeholder(tf.float32,[None,10])#创建一个简单的神经网络
#权值初始化为0,  784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将输出转化为概率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#二次代价函数,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)#初始化变量
init=tf.global_variables_initializer()#tf.argmax(y,1)返回1的位置(真实值)，tf.argmax(prediction,1)(预测值)返回概率值最大的位置，比较位置是否相等，若想等返回true，不等返回false，存放在布尔列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()返回一维张量中最大值的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))saver=tf.train.Saver()with tf.Session() as sess:sess.run(init)# 对所有图片迭代11次for epoch in range(11):#对所有图片分批训练一次for batch in range(n_batch):#获取一批(100个)样本图片,batch_xs:图片信息，batch_ys:图片标签batch_xs,batch_ys=mnist.train.next_batch(batch_size)#利用训练图片信息及对应标签，梯度下降法训练模型，得到权重W及bsess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})#利用测试集进行测试该迭代时模型的准确率acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})#打印迭代次数及对应准确率print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))#保存训练好的模型(权值、偏置值等信息)saver.save(sess,'net/my_net.ckpt')

查看当前目录net文件夹下结果：

2.载入训练好的模型参数并用于测试集

#载入已经训练好的模型参数测试
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data#载入数据集,one_hot:将标签转换为只有一位为1，其它为0，会自动从网上下载数据集到当前目录
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)#每个批次的大小
batch_size=100
#计算一共有多少个批次（整除）
n_batch=mnist.train.num_examples//batch_size#该神经网络只输入层和输出层，输入层包含784个神经元，输出层包含10个神经元
#定义两个placeholder,将28*28数字图片偏平为规格为784的向量
x=tf.placeholder(tf.float32,[None,784])
#标签结果
y=tf.placeholder(tf.float32,[None,10])#创建一个简单的神经网络
#权值初始化为0,  784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将输出转化为概率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)#二次代价函数,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)#初始化变量
init=tf.global_variables_initializer()#tf.argmax(y,1)返回1的位置(真实值)，tf.argmax(prediction,1)(预测值)返回概率值最大的位置，比较位置是否相等，若想等返回true，不等返回false，存放在布尔列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()返回一维张量中最大值的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))saver=tf.train.Saver()with tf.Session() as sess:sess.run(init)#打印准确率(不准确)，因为此时权重矩阵为0，偏置值为0print("未载入模型时准确率："+str(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})))#载入已经训练好的模型参数(权值矩阵、偏置值)saver.restore(sess,'net/my_net.ckpt')#打印准确率，此时权值矩阵、偏置值均不为0print("载入模型后准确率："+str(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})))

运行结果：

Tensorflow-saver模型参数保存及载入相关推荐

TF：利用TF的train.Saver将训练好的W、b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据)
TF:利用TF的train.Saver将训练好的W.b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据) 目录输出结果代码设计输出结果代码设计 import tensorflow as ...
[TensorFlow深度学习入门]实战七·简便方法实现TensorFlow模型参数保存与加载（ckpt方式）
[TensorFlow深度学习入门]实战七·简便方法实现TensorFlow模型参数保存与加载(ckpt方式) 个人网站–> http://www.yansongsong.cn TensorFl ...
pytorch多卡并行模型的保存与载入
pytorch多卡并行模型的保存与载入当模型是在数据并行方式在多卡上进行训练的训练和保存,那么载入的时候也是一样需要是多卡.并且,load_state_dict()函数的调用要放在DataParal ...
TensorFlow：模型的保存与恢复(Saver)
目录前言 1 实例化对象 2 保存训练过程中或者训练好的, 模型图及权重参数 2.1保存训练模型 2.2 查看保存 3. 重载模型的图及权重参数(模型恢复) 前言我们经常在训练完一个模型之 ...
tensorflow之pb文件保存与载入
pb是protocol(协议) buffer(缓冲)的缩写.TensorFlow训练模型后存成的pb文件,是一种表示模型(神经网络)结构的二进制文件,将图中的变量保存成为常量,便于调用,一般无法将pb ...
TensorFlow(1)-模型相关基础概念
TensorFlow-1 1.Graph对象 2.Session对象 3.Variabels变量 4. placeholders与feed_dict 5. tf.train.Saver() 模型参数保 ...
tensorflow 1.0 学习：模型的保存与恢复(Saver)
将训练好的模型参数保存起来,以便以后进行验证或测试,这是我们经常要做的事情.tf里面提供模型保存的是tf.train.Saver()模块. 模型保存,先要创建一个Saver对象:如 saver=tf. ...
Pytorch中参数和模型的保存与读取
Tensor变量的存取(包括parameter) 对于普通Tensor变量的存取,如下代码所示: import torch import torch.nn as nn x = torch.ones(3 ...
paddlepaddle（六）模型保存与载入
目录 1.API分类 1.1基础API 1.2高级API 2.训练调优场景的模型&参数保存载入 2.1动态图参数保存载入 2.2静态图参数保存载入 3.训练部署场景的模型参数保存载入 3.1 ...
【待更新】GPU 保存模型参数，GPU 加载模型参数
GPU 保存模型参数,GPU 加载模型参数保存 # 模型 device = torch.device('cuda') net = KGCN(num_user, num_entity, num_rel ...

Tensorflow-saver模型参数保存及载入

深度学习框架Tensorflow学习与应用实战

1.训练模型参数(权值矩阵、偏置值)并保存到指定文件夹下

查看当前目录net文件夹下结果：

2.载入训练好的模型参数并用于测试集

运行结果：

Tensorflow-saver模型参数保存及载入相关推荐

最新文章

热门文章