个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
27
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章TensorFlow入门使用 tf.train.Saver()保存模型由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
关于模型保存的一点心得 。
|
1
|
saver
=
tf.train.Saver(max_to_keep
=
3
)
|
在定义 saver 的时候一般会定义最多保存模型的数量，一般来说，如果模型本身很大，我们需要考虑到硬盘大小。如果你需要在当前训练好的模型的基础上进行 fine-tune，那么尽可能多的保存模型，后继 fine-tune 不一定从最好的 ckpt 进行，因为有可能一下子就过拟合了。但是如果保存太多，硬盘也有压力呀。如果只想保留最好的模型，方法就是每次迭代到一定步数就在验证集上计算一次 accuracy 或者 f1 值，如果本次结果比上次好才保存新的模型，否则没必要保存.
如果你想用不同 epoch 保存下来的模型进行融合的话，3到5 个模型已经足够了，假设这各融合的模型成为 M，而最好的一个单模型称为 m_best, 这样融合的话对于M 确实可以比 m_best 更好。但是如果拿这个模型和其他结构的模型再做融合的话，M 的效果并没有 m_best 好，因为M 相当于做了平均操作，减少了该模型的“特性”.
但是又有一种新的融合方式，就是利用调整学习率来获取多个局部最优点，就是当 loss 降不下了，保存一个 ckpt， 然后开大学习率继续寻找下一个局部最优点，然后用这些 ckpt 来做融合，还没试过，单模型肯定是有提高的，就是不知道还会不会出现上面再与其他模型融合就没提高的情况.
如何使用 tf.train.Saver() 来保存模型 。
之前一直出错，主要是因为坑爹的编码问题。所以要注意文件的路径绝对不不要出现什么中文呀.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import
tensorflow as tf
config
=
tf.ConfigProto()
config.gpu_options.allow_growth
=
True
sess
=
tf.Session(config
=
config)
# Create some variables.
v1
=
tf.Variable([
1.0
,
2.3
], name
=
"v1"
)
v2
=
tf.Variable(
55.5
, name
=
"v2"
)
# Add an op to initialize the variables.
init_op
=
tf.global_variables_initializer()
# Add ops to save and restore all the variables.
saver
=
tf.train.Saver()
ckpt_path
=
'./ckpt/test-model.ckpt'
# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
sess.run(init_op)
save_path
=
saver.save(sess, ckpt_path, global_step
=
1
)
print
(
"Model saved in file: %s"
%
save_path)
|
Model saved in file: ./ckpt/test-model.ckpt-1 。
注意，在上面保存完了模型之后。应该把 kernel restart 之后才能使用下面的模型导入。否则会因为两次命名 “v1” 而导致名字错误.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import
tensorflow as tf
config
=
tf.ConfigProto()
config.gpu_options.allow_growth
=
True
sess
=
tf.Session(config
=
config)
# Create some variables.
v1
=
tf.Variable([
11.0
,
16.3
], name
=
"v1"
)
v2
=
tf.Variable(
33.5
, 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.
# Restore variables from disk.
ckpt_path
=
'./ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path
+
'-'
+
str
(
1
))
print
(
"Model restored."
)
print
sess.run(v1)
print
sess.run(v2)
|
INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1 Model restored. [ 1. 2.29999995] 55.5 。
导入模型之前，必须重新再定义一遍变量.
但是并不需要全部变量都重新进行定义，只定义我们需要的变量就行了.
也就是说，你所定义的变量一定要在 checkpoint 中存在；但不是所有在checkpoint中的变量，你都要重新定义.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
import
tensorflow as tf
config
=
tf.ConfigProto()
config.gpu_options.allow_growth
=
True
sess
=
tf.Session(config
=
config)
# Create some variables.
v1
=
tf.Variable([
11.0
,
16.3
], name
=
"v1"
)
# 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.
# Restore variables from disk.
ckpt_path
=
'./ckpt/test-model.ckpt'
saver.restore(sess, ckpt_path
+
'-'
+
str
(
1
))
print
(
"Model restored."
)
print
sess.run(v1)
|
INFO:tensorflow:Restoring parameters from ./ckpt/test-model.ckpt-1 Model restored. [ 1. 2.29999995] 。
tf.Saver([tensors_to_be_saved]) 中可以传入一个 list，把要保存的 tensors 传入，如果没有给定这个list的话，他会默认保存当前所有的 tensors。一般来说，tf.Saver 可以和 tf.variable_scope() 巧妙搭配，可以参考： 【迁移学习】往一个已经保存好的模型添加新的变量并进行微调 。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我.
原文链接：https://blog.csdn.net/Jerr__y/article/details/78594494 。
最后此篇关于TensorFlow入门使用 tf.train.Saver()保存模型的文章就讲到这里了,如果你想了解更多关于TensorFlow入门使用 tf.train.Saver()保存模型的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
27
4
0
TensorFlow 提供了 3 种不同的数据存储格式 tf.train.Feature .它们是: tf.train.BytesList tf.train.FloatList tf.train.In
在我的设置中，我运行了一个脚本 火车一个模型并开始生成检查点。另一个脚本监视新的检查点和 评估 他们。脚本并行运行，因此评估只是训练之后的一步。 支持这种情况的正确 Tracks 配置是什么？ 最佳答
什么是合理的设置？我可以在同一次执行中多次调用 Task.init() 吗？ 最佳答案 免责声明:我是 allegro.ai Trains 团队的一员 一种解决方案是从 trains.automati
我想开始我的方式 ClearML (以前称为火车)。 我在documentation上看到的我需要在 ClearML 平台本身或使用 AWS 等的远程机器上运行服务器。 我真的很想绕过这个限制并在我的
我正在尝试使用 weka 的 MultilayerPerceptron 执行以下操作: 使用一小部分训练实例来训练一部分历元输入， 在剩余的周期中使用整组实例进行训练。 但是，当我在代码中执行以下操作
这个问题与对象检测有关，基本上是检测任何“已知”对象。例如，假设我有以下对象。 表格 瓶子。 相机 汽车 我将从所有这些单独的对象中拍摄 4 张照片。左边一个，右边一个，上下两个。我本来以为用这4张照
我已经编写了一段代码来训练Guassian过程回归模型来预测年龄。我已经编写了以下代码，并且运行良好：。但我注意到，每个纪元都输入了相同的数据，我认为这可能会导致过度拟合，所以我想使用Mini Bat
(一)、tf.train.Saver() (1). tf.train.Saver() 是用来保存tensorflow训练模型的，默认保存全部参数 (2). 用来加载参数，注：只加载存储在data
我是 PyTorch 的新手，我想知道您是否可以向我解释 PyTorch 中的默认 model.train() 与此处的 train() 函数之间的一些关键区别。 另一个 train() 函数位于关于
我可以在maskrcnn的预训练模型的基础上训练吗？如果预训练模型的类别与我自己的数据集不同，预训练模型仍然有效吗？。我尝试了一个新的班级训练数据集。但它似乎收敛得非常慢。
我可以按照Maskrcnn预先训练的模式进行训练吗？如果预先训练的模型的类别与我自己的数据集的类别不同，那么预先训练的模型是否仍然有效？。我尝试了一个新的班级训练数据集。但它似乎收敛得非常慢。
我想知道这两个 tensorflow 对象在用于训练神经网络时有什么区别？ 最佳答案 Supervisor 即将被弃用，鼓励新用户使用 tf.train.FooSession 类 (来自 commen
我已经看到文档 tf.train.ExponentialMovingAverage 实现了这个公式: shadow_variable = decay * shadow_variable + (1 -
我发现在 Tensorflow 中有不同的方法来保存/恢复模型和变量。这些方式包括: tf.saved_model.simple_save tf.train.Checkpoint tf.train.S
查看两个带有参数的函数签名 tf.train.shuffle_batch_join( tensors_list, batch_size, capacity, min_after_dequeue, se
我使用 Binary data训练 DNN。 但是 tf.train.shuffle_batch 和 tf.train.batch 让我很困惑。 这是我的代码，我将对其进行一些测试。 首先Using_
正如文档/教程中提到的，我们可以调用 Estimator.fit()开始训练工作。 该方法所需的参数为 inputs这是对训练文件的 s3/file 引用。示例: estimator.fit({'tr
这个问题在这里已经有了答案: Split train data to train and validation by using tensorflow_datasets.load (TF 2.1) (
我知道这两个类都处理线程。根据文档，tf.train.Coordinator 协调一组线程的终止，而 tf.train.QueueRunner 保存队列的入队操作列表，每个操作都在一个线程中运行。 但
最近我读了this TensorFlow 中未记录特征的指南，因为我需要传递可变长度序列作为输入。但是，我发现 tf.train.SequenceExample 的协议(protocol)相对困惑(特
我是一名优秀的程序员,十分优秀！