本文共 5866 字，大约阅读时间需要 19 分钟。

1，基本内容

目的是将模型数据以文件的形式保存到本地。 使用神经网络模型进行大数据量和复杂模型训练时，训练时间可能会持续增加，此时为避免训练过程出现不可逆的影响，并验证训练效果，可以考虑分段进行，将训练数据模型保存，然后在继续训练时重新读取； 此外，模型训练完毕，获取一个性能良好的模型后，可以保存以备重复利用。 2，参数保存和读取代码

import tensorflow as tf#随机初始化两个变量v1 = tf.Variable(tf.random_normal([1,2]), name="v1")#矩阵大小为[1,2]v2 = tf.Variable(tf.random_normal([2,4]), name="v2")#矩阵大小为[2,4]init_op = tf.global_variables_initializer()saver = tf.train.Saver()#定义该类的一个对象with tf.Session() as sess:    sess.run(init_op)    print ("V1:",sess.run(v1))      print ("V2:",sess.run(v2))    saver_path = saver.save(sess, "Save/model.ckpt")#保存sess计算域中所有的参数值    print ("Model saved")    saver.restore(sess, "Save/model.ckpt")#读取保存的文件    print ("V1_1:",sess.run(v1))      print ("V2_1:",sess.run(v2))    print ("Model restored")

运行结果：

2，网络模型的保存与读取代码

import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltfrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('data/', one_hot=True)trainimg   = mnist.train.imagestrainlabel = mnist.train.labelstestimg    = mnist.test.imagestestlabel  = mnist.test.labels# 输入和输出 n_input  = 784 n_output = 10#卷积神经网络的参数初始化（w，b）weights  = {        'wc1': tf.Variable(tf.random_normal([3, 3, 1, 64], stddev=0.1)), #第一层卷积层权重参数[3, 3, 1, 64]卷积核的大小（3*3*1）；卷积核的个数64(特征图的个数)        'wc2': tf.Variable(tf.random_normal([3, 3, 64, 128], stddev=0.1)), #第二层卷积层权重参数[3, 3, 64, 128]卷积核的大小（3*3*64（与输入图像深度对应））；卷积核的个数128(特征图的个数)        'wd1': tf.Variable(tf.random_normal([7*7*128, 1024], stddev=0.1)),#第一层全连接层权重参数（由于该模型中卷积并未改变输入图像的大小，经过两次池化原始图像大小（28*28）变为（7*7））        'wd2': tf.Variable(tf.random_normal([1024, n_output], stddev=0.1))#第二层全连接层权重参数（10分类）    }biases   = {        'bc1': tf.Variable(tf.random_normal([64], stddev=0.1)),        'bc2': tf.Variable(tf.random_normal([128], stddev=0.1)),        'bd1': tf.Variable(tf.random_normal([1024], stddev=0.1)),        'bd2': tf.Variable(tf.random_normal([n_output], stddev=0.1))    }#卷积层定义def conv_basic(_input, _w, _b, _keepratio):        # 输入预处理（转换为TensorFlow支持的格式）的        _input_r = tf.reshape(_input, shape=[-1, 28, 28, 1])#第一维：batchsize的大小（-1让TensorFlow根据其余值推断该值的大小）；第二维：图像的高度；第三维：图像的宽度；第四维：图像的深度                # 第一层卷积        _conv1 = tf.nn.conv2d(_input_r, _w['wc1'], strides=[1, 1, 1, 1], padding='SAME')        #print（help（tf.nn.conv2d））查看函数的帮助文档        #strides=[batchsize的stride大小, h的stride大小, w的stride大小, c的stride大小]        #padding='SAME'/'VALID':自动填充0（推荐）/不进行填充        #_mean, _var = tf.nn.moments(_conv1, [0, 1, 2])        #_conv1 = tf.nn.batch_normalization(_conv1, _mean, _var, 0, 1, 0.0001)                _conv1 = tf.nn.relu(tf.nn.bias_add(_conv1, _b['bc1']))#卷积之后进行激活                _pool1 = tf.nn.max_pool(_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')        #池化操作，ksize窗口大小（batchsize的大小；图像的高度；图像的宽度；图像的深度），strides=[1, 2, 2, 1]：h和w方向步长均为2               _pool_dr1 = tf.nn.dropout(_pool1, _keepratio)#dropout（随机地减少部分节点）                # 第二层卷积        _conv2 = tf.nn.conv2d(_pool_dr1, _w['wc2'], strides=[1, 1, 1, 1], padding='SAME')        #_mean, _var = tf.nn.moments(_conv2, [0, 1, 2])        #_conv2 = tf.nn.batch_normalization(_conv2, _mean, _var, 0, 1, 0.0001)        _conv2 = tf.nn.relu(tf.nn.bias_add(_conv2, _b['bc2']))        _pool2 = tf.nn.max_pool(_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')        _pool_dr2 = tf.nn.dropout(_pool2, _keepratio)              # 全连接层        _dense1 = tf.reshape(_pool_dr2, [-1, _w['wd1'].get_shape().as_list()[0]])#定义全连接的输入        # 第一层全连接层（神经网络）        _fc1 = tf.nn.relu(tf.add(tf.matmul(_dense1, _w['wd1']), _b['bd1']))        _fc_dr1 = tf.nn.dropout(_fc1, _keepratio)        # 第一、二层全连接层        _out = tf.add(tf.matmul(_fc_dr1, _w['wd2']), _b['bd2'])        # 定义返回值        out = { 'input_r': _input_r, 'conv1': _conv1, 'pool1': _pool1, 'pool1_dr1': _pool_dr1,            'conv2': _conv2, 'pool2': _pool2, 'pool_dr2': _pool_dr2, 'dense1': _dense1,            'fc1': _fc1, 'fc_dr1': _fc_dr1, 'out': _out        }        return outx = tf.placeholder(tf.float32, [None, n_input])y = tf.placeholder(tf.float32, [None, n_output])keepratio = tf.placeholder(tf.float32)_pred = conv_basic(x, weights, biases, keepratio)['out']cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(y, _pred))optm = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)_corr = tf.equal(tf.argmax(_pred,1), tf.argmax(y,1)) accr = tf.reduce_mean(tf.cast(_corr, tf.float32)) init = tf.global_variables_initializer() #保存与读取do_train = 1 #利用该参数控制对模型的操作（是训练保存模型还是读取模型进行测试）save_step = 1#每隔1个epoch进行对模型保存saver = tf.train.Saver(max_to_keep=3)#max_to_keep=3:最多同时保存3个最近更新的模型sess = tf.Session()sess.run(init)training_epochs = 10batch_size      = 16  #网络结果比较复杂，这里取小一些，方便演示，正常情况下要稍大一些display_step    = 1if do_train ==1:    for epoch in range(training_epochs):        avg_cost = 0.         #total_batch = int(mnist.train.num_examples/batch_size)        total_batch = 10 #简单示例，正常情况如上        for i in range(total_batch):             batch_xs, batch_ys = mnist.train.next_batch(batch_size)            # Fit training using batch data             sess.run(optm, feed_dict={x: batch_xs, y: batch_ys, keepratio:0.7})            # Compute average loss             avg_cost += sess.run(cost, feed_dict={x: batch_xs, y: batch_ys, keepratio:1.})/total_batch                    if epoch % display_step == 0:             print ("Epoch: %03d/%03d cost: %.9f" % (epoch, training_epochs, avg_cost))            train_acc = sess.run(accr, feed_dict={x: batch_xs, y: batch_ys, keepratio:1.})            print (" Training accuracy: %.3f" % (train_acc))             #保存模型        if epoch % save_step == 0:            saver.save(sess,"Save/CNN/cnn_minst.ckpt-"+str(epoch))if do_train ==0:    epoch = training_epochs-1    saver.restore(sess,"Save/CNN/cnn_minst.ckpt-"+str(epoch))

运行结果：

相应路径下文件夹中的文件列表： 在上述训练好的模型基础上，将do_train改为0，restart kernel后，再次运行程序读取刚刚保存的模型对测试集进行测试。

转载地址：http://nohwi.baihongyu.com/