保存

用tf.train.Saver类保存模型

import tensorflow as tf


a = tf.Variable(2, dtype=tf.float32)
print(a)  # <tf.Variable \'Variable:0\' shape=() dtype=float32_ref>
b = tf.multiply(a, 3)
print(b)  # Tensor(\"Mul:0\", shape=(), dtype=float32)
c = tf.add(a, b)
print(c)  #  Tensor(\"Add:0\", shape=(), dtype=float32)

# 建立saver
saver = tf.train.Saver()

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())

    # 循环更新变量数值
    for i in range(50):
        print(sess.run(c))
        sess.run(tf.assign_add(a, 1.5))

        # 保存模型
        # 下方代码中loop.ckpt为保存模型文件的名称
        # 模型名称中的.ckpt无特别意义，常用于表明保存checkpoint
        # global_step参数用于在保存文件名中加入迭代次数，默认保存最近4次迭代的模型
        saver.save(sess, \"d:/temp/un d/loop.ckpt\", global_step=i)
        \"\"\"
        在d:/temp/un d/文件夹下生成13个文件
        checkpoint
        loop.ckpt-46. 
        loop.ckpt-46.index
        loop.ckpt-46.data-00000-of-00001
        loop.ckpt-47. 
        loop.ckpt-47.index
        loop.ckpt-47.data-00000-of-00001
        loop.ckpt-48. 
        loop.ckpt-48.index
        loop.ckpt-48.data-00000-of-00001
        loop.ckpt-49. 
        loop.ckpt-49.index
        loop.ckpt-49.data-00000-of-00001
        \"\"\"

    # 保存模型
    # 下方代码中model为保存模型文件的名称
    saver.save(sess, \"d:/temp/model\")
    \"\"\"
    在d:/temp/文件夹下生成4个文件
    checkpoint
    model. 
    model.index
    model.data-00000-of-00001
    \"\"\"

载入

仅载入模型数据

import tensorflow as tf

# 建立与保存时一致的模型
# 变量初始值随便，因为在下方会从模型保存文件中导入
a = tf.Variable(0.237, dtype=tf.float32)
b = tf.multiply(a, 3)
c = tf.add(a, b)

# 建立saver
saver = tf.train.Saver()

with tf.Session() as sess:
    # 载入模型数据
    # 注意路径名称与save函数一致，不是填写文件名
    saver.restore(sess, \"d:/temp/model\")

    print(sess.run(a))
    print(sess.run(b))
    print(sess.run(c))

仅载入计算图

import tensorflow as tf

# 载入模型图，不包含数据
# 注意路径指向为save时保存生成的. 文件
saver = tf.train.import_ _graph(\"d:/temp/model. \")

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())

    # 取得计算图
    graph = tf.get_default_graph()

    # 取得tensor
    a_tensor = graph.get_tensor_by_name(\"Variable:0\")
    b_tensor = graph.get_tensor_by_name(\"Mul:0\")
    c_tensor = graph.get_tensor_by_name(\"Add:0\")

    print(sess.run(a_tensor))  # 变量的初始值2
    print(sess.run(b_tensor))  # 首轮计算的数值6
    print(sess.run(c_tensor))  # 首轮计算的数值8

载入计算图和数据

import tensorflow as tf

# 载入模型图，不包含数据
# 注意路径指向为save时保存生成的. 文件
saver = tf.train.import_ _graph(\"d:/temp/model. \")

with tf.Session() as sess:
    # 载入模型数据
    # 注意下方数据来源于同一模型，但是并非在一个save函数中保存，结果正确
    # 最好用同一个save生成的模型数据\"d:/temp/model\"
    saver.restore(sess, \"d:/temp/un d/loop.ckpt-46\")

    # 取得计算图
    graph = tf.get_default_graph()

    # 取得tensor
    a_tensor = graph.get_tensor_by_name(\"Variable:0\")
    b_tensor = graph.get_tensor_by_name(\"Mul:0\")
    c_tensor = graph.get_tensor_by_name(\"Add:0\")

    print(sess.run(a_tensor))
    print(sess.run(b_tensor))
    print(sess.run(c_tensor))

固化

在模型完成训练后，用于实际计算应用场景下时，可以将变量转化为常量，成为计算图的一部分。一方面方便保存与载入，另一方面提高运算效率。

固化保存代码如下：

import tensorflow as tf

x = tf.placeholder(dtype=tf.float32, shape=[])  # 定义输入
print(x)  # Tensor(\"Placeholder:0\", shape=(), dtype=float32)
a = tf.Variable(2, dtype=tf.float32)
print(a)  # <tf.Variable \'Variable:0\' shape=() dtype=float32_ref>
b = tf.multiply(a, 3)
print(b)  # Tensor(\"Mul:0\", shape=(), dtype=float32)
c = tf.add(a, b)
print(c)  #  Tensor(\"Add:0\", shape=(), dtype=float32)
y = tf.subtract(x, c)
print(y)  # Tensor(\"Sub:0\", shape=(), dtype=float32)

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())

    # 循环更新变量数值，模拟训练的过程
    for i in range(50):
        print(sess.run(c))
        sess.run(tf.assign_add(a, 1.5))

    # 生成当前计算图的GraphDef
    graph_def = tf.get_default_graph().as_graph_def()

    # 将当前图中变量全部转为常量
    # 注意，output_node_names传入输出节点名称列表，注意节点名称与tensor名称的区别
    graph_def_output = tf.graph_util.convert_variables_to_constants(sess=sess, input_graph_def=graph_def, output_node_names=[\"Placeholder\", \"Sub\", \"Variable\"])

    # 下方代码生成保存文件constant_model，大多数情况下会加上.pb扩展名表明类型
    with tf.gfile.FastGFile(\"d:/temp/constant_model\", \"wb\") as f:
        f.write(graph_def_output.SerializeToString())

固化载入代码如下：

import tensorflow as tf

with tf.Session() as sess:
    with tf.gfile.FastGFile(\"d:/temp/constant_model\", \"rb\") as f:
        # 建立GraphDef，用于导入计算图
        graph_def = tf.GraphDef()

        # 从文件内容解析GraphDef内容
        graph_def.ParseFromString(f.read())

        # 从GraphDef加载计算图
        [x_tensor, y_tensor, a_tensor] = tf.import_graph_def(graph_def, return_elements=[\"Placeholder:0\", \"Sub:0\", \"Variable:0\"])

        print(sess.run(a_tensor))
        print(sess.run(y_tensor, feed_dict={x_tensor: 1000}))

注意

关于CNN实际计算时去除训练中的batch维度：

在载入CNN网络模型时，如果用于实际计算，而不是用于训练，则取出计算输出的tensor，在run()函数中feed_dict参数输入的placeholder，batch维度的数值设置为1，即输入tensor的shape为(1, 行数目, 列数目, 通道数目)

因为计算输出的tensor的计算中不包含需要从batch维度取值的操作。