tf.train.Saver()-tensorflow中模型的保存及读取

tf.train.Saver()-tensorflow中模型的保存及读取

转自：https://www.cnblogs.com/bevishe/p/10359993.html

作用：训练网络之后保存训练好的模型，以及在程序中读取已保存好的模型

使用步骤：

• 实例化一个Saver对象 saver = tf.train.Saver() 
• 在训练过程中，定期调用saver.save方法，像文件夹中写入包含当前模型中所有可训练变量的checkpoint文件 saver.save(sess,FLAGG.train_dir,global_step=step) 
• 之后可以使用saver.restore()方法，重载模型的参数，继续训练或者用于测试数据 saver.restore(sess,FLAGG.train_dir) 

在save之后会在相应的路径下面新增如下四个红色文件：

在saver实例每次调用save方法时，都会创建三个数据文件和一个检查点（checkpoint）文件，权重等参数被以字典的形式保存到.ckpt.data中，图和元数据被保存到.ckpt.meta中，可以被tf.train.import_meta_graph加载到当前默认的图

softmaxRegression.py

# _*_ coding:utf-8 _*_
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#get the datase
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

print(mnist.train.images.shape,mnist.train.labels.shape)

sess = tf.InteractiveSession()

x = tf.placeholder(tf.float32,[None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x,W)+b)
y_ = tf.placeholder(tf.float32,[None,10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
tf.global_variables_initializer().run()

#保存模型对象saver
saver = tf.train.Saver()

#判断保存模型对象文件夹是否存在
if not os.path.exists('tmp/'):
    print('i am here')
    os.mkdir('tmp/')
else:
    print("2")


if os.path.exists('tmp/chckpoint'):
    saver.restore(sess,'tmp/model.ckpt')
    correct_prediction = tf.equal(tf.arg_max(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    save_path = saver.save(sess, 'tmp/model.ckpt')
    print("2")
    print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
else:
    for i in range(1000):
        batch_xs,batch_ys = mnist.train.next_batch(100)
        train_step.run({x:batch_xs,y_:batch_ys})
    correct_prediction = tf.equal(tf.arg_max(y,1),tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    save_path = saver.save(sess,'tmp/model.ckpt')
    print(accuracy.eval({x:mnist.test.images,y_:mnist.test.labels}))