zoukankan      html  css  js  c++  java
  • TensorFlow进阶(六)---模型保存与恢复、自定义命令行参数

    模型保存与恢复、自定义命令行参数、

    在我们训练或者测试过程中,总会遇到需要保存训练完成的模型,然后从中恢复继续我们的测试或者其它使用。模型的保存和恢复也是通过tf.train.Saver类去实现,它主要通过将Saver类添加OPS保存和恢复变量到checkpoint。它还提供了运行这些操作的便利方法。

    tf.train.Saver(var_list=None, reshape=False, sharded=False, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0, name=None, restore_sequentially=False, saver_def=None, builder=None, defer_build=False, allow_empty=False, write_version=tf.SaverDef.V2, pad_step_number=False)

    • var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.
    • max_to_keep:指示要保留的最近检查点文件的最大数量。创建新文件时,会删除较旧的文件。如果无或0,则保留所有检查点文件。默认为5(即保留最新的5个检查点文件。)
    • keep_checkpoint_every_n_hours:多久生成一个新的检查点文件。默认为10,000小时

    保存

    保存我们的模型需要调用Saver.save()方法。save(sess, save_path, global_step=None),checkpoint是专有格式的二进制文件,将变量名称映射到张量值。

    import tensorflow as tf
    
    a = tf.Variable([[1.0,2.0]],name="a")
    b = tf.Variable([[3.0],[4.0]],name="b")
    c = tf.matmul(a,b)
    
    saver=tf.train.Saver()
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        print(sess.run(c))
        saver.save(sess, '/tmp/ckpt/test/matmul')

    我们可以看保存了什么文件

    在多次训练的时候可以指定多少间隔生成检查点文件

    saver.save(sess, '/tmp/ckpt/test/matmu', global_step=0) ==> filename: 'matmu-0'
    
    saver.save(sess, '/tmp/ckpt/test/matmu', global_step=1000) ==> filename: 'matmu-1000'

    恢复

    恢复模型的方法是restore(sess, save_path),save_path是以前保存参数的路径,我们可以使用tf.train.latest_checkpoint来获取最近的检查点文件(也恶意直接写文件目录)

    import tensorflow as tf
    
    a = tf.Variable([[1.0,2.0]],name="a")
    b = tf.Variable([[3.0],[4.0]],name="b")
    c = tf.matmul(a,b)
    
    saver=tf.train.Saver(max_to_keep=1)
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        print(sess.run(c))
        saver.save(sess, '/tmp/ckpt/test/matmul')
    
        # 恢复模型
        model_file = tf.train.latest_checkpoint('/tmp/ckpt/test/')
        saver.restore(sess, model_file)
        print(sess.run([c], feed_dict={a: [[5.0,6.0]], b: [[7.0],[8.0]]}))

    自定义命令行参数

    tf.app.run(),默认调用main()函数,运行程序。main(argv)必须传一个参数。

    tf.app.flags,它支持应用从命令行接受参数,可以用来指定集群配置等。在tf.app.flags下面有各种定义参数的类型

    • DEFINE_string(flag_name, default_value, docstring)

    • DEFINE_integer(flag_name, default_value, docstring)

    • DEFINE_boolean(flag_name, default_value, docstring)

    • DEFINE_float(flag_name, default_value, docstring)

    第一个也就是参数的名字,路径、大小等等。第二个参数提供具体的值。第三个参数是说明文档

    tf.app.flags.FLAGS,在flags有一个FLAGS标志,它在程序中可以调用到我们前面具体定义的flag_name.

    import tensorflow as tf
    
    FLAGS = tf.app.flags.FLAGS
    
    tf.app.flags.DEFINE_string('data_dir', '/tmp/tensorflow/mnist/input_data',
                               """数据集目录""")
    tf.app.flags.DEFINE_integer('max_steps', 2000,
                                """训练次数""")
    tf.app.flags.DEFINE_string('summary_dir', '/tmp/summary/mnist/convtrain',
                               """事件文件目录""")
    
    
    def main(argv):
        print(FLAGS.data_dir)
        print(FLAGS.max_steps)
        print(FLAGS.summary_dir)
        print(argv)
    
    
    if __name__=="__main__":
        tf.app.run()
  • 相关阅读:
    2.6 CMMI2级——供应商协议管理(Supplier Agreement Management)
    使用boch仿真器在x86 PC平台上搭建Linux0.11系统环境(windows下)
    java实现登录验证码
    Hadoop DBOutputFormat的使用
    史蒂芬·金《肖申克的救赎》读后感
    Change Base
    IOS深入学习(20)之Object modeling
    android对话框(Dialog)的使用方法
    郝萌主的微信公众号上线了
    Dell shareplex 与HVR数据复制软件
  • 原文地址:https://www.cnblogs.com/fwl8888/p/9794093.html
Copyright © 2011-2022 走看看