tensorflow模型保存为saver = tf.train.Saver()函数,saver.save()保存模型，代码如下：
|
1
2
3
4
5
6
7
8
9
|
import tensorflow as tf
v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")
v2= tf.Variable(tf.zeros([200]), name="v2")
saver = tf.train.Saver()
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
saver.save(sess,"checkpoint/model_test",global_step=1)
|
当我们保存模型后,我们可以通过saver.restore()来加载模型,初始化变量：
|
1
2
3
4
5
6
7
8
9
10
|
import tensorflow as tf
v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")
v2= tf.Variable(tf.zeros([200]), name="v2")
saver = tf.train.Saver()
with tf.Session() as sess:
# init_op = tf.global_variables_initializer()
# sess.run(init_op)
saver.restore(sess, "checkpoint/model_test-1")
# saver.save(sess,"checkpoint/model_test",global_step=1)
|
神经网络训练时,有时候我们需要从预训练的模型中加载部分参数,初始化当前模型,例如加入CNN有6层,我们需要从已有的模型初始化CNN前5层参数.这可以通过saver.restore()实现.
之前我们已经介绍可以通过tf.train.Saver()的保存部分变量的方法,即需要保存的变量列表,同样的,在变量初始化的时候,我们可以对需要单独初始化的变量分别定义一个tf.train.Saver()函数,这样就可以单独对该部分变量初始化,例如下面代码,saver1用于初始化变量v1,saver2用于初始化变量v2,v3：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import tensorflow as tf
v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")
v2= tf.Variable(tf.zeros([200]), name="v2")
v3= tf.Variable(tf.zeros([100]), name="v3")
#saver = tf.train.Saver()
saver1 = tf.train.Saver([v1])
saver2 = tf.train.Saver([v2]+[v3])
with tf.Session() as sess:
# init_op = tf.global_variables_initializer()
# sess.run(init_op)
saver1.restore(sess, "checkpoint/model_test-1")
saver2.restore(sess, "checkpoint/model_test-1")
# saver.save(sess,"checkpoint/model_test",global_step=1)
|
以上这篇tensorflow 加载部分变量的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/u011961856/article/details/76850335