|
在深度学习实践中，我们通常要先搭建好模型如何经过长时间的训练才能使用。那么，对于训练好的模型，我们自然想把它保存起来以便调用。曾经，我写过一个比较大的深度学习模型，由于每次迭代需要长达1-2个小时，并且用的是nohup在服务器后台上运行，但是鉴于nohup有时会不稳定，因此我的后台程序随时可能会被kill掉，于是我就写了一个定时的模型保存程序，即每隔一定的时间就让其自动保存模型到磁盘文件中去，这样就可以保证即使程序遭到了不可抗拒的终止时，也不会落得前功尽弃的后果。由此可以看出，模型的自动保存是十分重要的。
在Tensorflow中，保存模型最简单的方法是使用tf.train.Saver对象，当我们构造了一个Saver对象以后，调用该对象的save方法即可将我们指定会话中的Tensorflow Graph模型保存到磁盘文件中去；而另一方面，我们可以调用对象的restore方法从磁盘中读取Tensorflow Graph模型。 例如，下面是一个保存模型的示例用法： l# Create some variables.
v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name='v2')...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, initialize the variables, do some work, save the# variables to disk.
with tf.Session() as sess: sess.run(init_op)
# Do some work with the model. ..
# Save the variables to disk. save_path = saver.save(sess, '/tmp/model.ckpt') print('Model saved in file: %s' % save_path)
下面是导入模型的方法： # Create some variables.
v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name='v2')...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and# do some work with the model.
with tf.Session() as sess:
# Restore variables from disk. saver.restore(sess, '/tmp/model.ckpt') print('Model restored.')
# Do some work with the model ...
除此之外，Saver对象还可以自定义保存变量，即指定保存Graph中的某些变量。有了tf.train.Saver对象，再也不用担心训练好的模型丢失了！
题图：梵高《罗纳河上的星空》。
|
