Tensorflow笔记__实现断点续训功能

内容源于曹建老师的tensorflow笔记课程

源码链接 : https://github.com/cj0012/AI-Practice-Tensorflow-Notes

在反向传播算法中，训练代码如下：

saver = tf.train.Saver()

with tf.Session() as sess:
   init_op = tf.global_variables_initializer()
   sess.run(init_op)

   #加入断点续训功能
   ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
   if ckpt and ckpt.model_checkpoint_path:
      saver.restore(sess,ckpt.model_checkpoint_path)

   for i in range(STEPS):
      xs,ys = mnist.train.next_batch(BATCH_SIZE)
      _,loss_value,step = sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys})
      if i % 1000 == 0:
         print("Ater {} training step(s),loss on training batch is {} ".format(step,loss_value))
         saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step)

其中：

MODEL_SAVE_PATH = "./model/"
MODEL_NAME = "mnist_model"

saver.save会在"./model"中自动保存checkpoint文件，训练的时候可以查看一下，然后实现断点续训只需在训练前添加下列代码即可

断点续训代码：

#加入断点续训功能
ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
if ckpt and ckpt.model_checkpoint_path:
   saver.restore(sess,ckpt.model_checkpoint_path)

输出：

① 第一次执行输出如下(训练次数50000)

② 可以查看一下"./model"路径下以及存在checkpoint文件，添加续训代码之后，再次执行训练文件可以继续往下训练

The end.