今天小编就为大家分享一篇tensorflow如何继续训练之前保存的模型实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
一：需重定义神经网络继续训练的方法
1.训练代码
import numpy as np import tensorflow as tf x_data=np.random.rand(100).astype(np.float32) y_data=x_data*0.1+0.3 weight=tf.Variable(tf.random_uniform([1],-1.0,1.0),name="w") biases=tf.Variable(tf.zeros([1]),name="b") y=weight*x_data+biases loss=tf.reduce_mean(tf.square(y-y_data)) #loss optimizer=tf.train.GradientDescentOptimizer(0.5) train=optimizer.minimize(loss) init=tf.global_variables_initializer() sess=tf.Session() sess.run(init) saver=tf.train.Saver(max_to_keep=0) for step in range(10): sess.run(train) saver.save(sess,"./save_mode",global_step=step) #保存 print("当前进行：",step)第一次训练截图：
2.恢复上一次的训练
import numpy as np import tensorflow as tf sess=tf.Session() saver=tf.train.import_meta_graph(r'save_mode-9.meta') saver.restore(sess,tf.train.latest_checkpoint(r'./')) print(sess.run("w:0"),sess.run("b:0")) graph=tf.get_default_graph() weight=graph.get_tensor_by_name("w:0") biases=graph.get_tensor_by_name("b:0") x_data=np.random.rand(100).astype(np.float32) y_data=x_data*0.1+0.3 y=weight*x_data+biases loss=tf.reduce_mean(tf.square(y-y_data)) optimizer=tf.train.GradientDescentOptimizer(0.5) train=optimizer.minimize(loss) saver=tf.train.Saver(max_to_keep=0) for step in range(10): sess.run(train) saver.save(sess,r"./save_new_mode",global_step=step) print("当前进行：",step," ",sess.run(weight),sess.run(biases))使用上次保存下的数据进行继续训练和保存：
#最后要提一下的是：
checkpoint文件
meta保存了TensorFlow计算图的结构信息
datat保存每个变量的取值
index保存了 表
加载restore时的文件路径名是以checkpoint文件中的“model_checkpoint_path”值决定的
这个方法需要重新定义神经网络
二：不需要重新定义神经网络的方法：
在上面训练的代码中加入：tf.add_to_collection("name",参数)
import numpy as np import tensorflow as tf x_data=np.random.rand(100).astype(np.float32) y_data=x_data*0.1+0.3 weight=tf.Variable(tf.random_uniform([1],-1.0,1.0),name="w") biases=tf.Variable(tf.zeros([1]),name="b") y=weight*x_data+biases loss=tf.reduce_mean(tf.square(y-y_data)) optimizer=tf.train.GradientDescentOptimizer(0.5) train=optimizer.minimize(loss) tf.add_to_collection("new_way",train) init=tf.global_variables_initializer() sess=tf.Session() sess.run(init) saver=tf.train.Saver(max_to_keep=0) for step in range(10): sess.run(train) saver.save(sess,"./save_mode",global_step=step) print("当前进行：",step)在下面的载入代码中加入：tf.get_collection("name")，就可以直接使用了
import numpy as np import tensorflow as tf sess=tf.Session() saver=tf.train.import_meta_graph(r'save_mode-9.meta') saver.restore(sess,tf.train.latest_checkpoint(r'./')) print(sess.run("w:0"),sess.run("b:0")) graph=tf.get_default_graph() weight=graph.get_tensor_by_name("w:0") biases=graph.get_tensor_by_name("b:0") y=tf.get_collection("new_way")[0] saver=tf.train.Saver(max_to_keep=0) for step in range(10): sess.run(y) saver.save(sess,r"./save_new_mode",global_step=step) print("当前进行：",step," ",sess.run(weight),sess.run(biases))总的来说，下面这种方法好像是要便利一些
以上就是tensorflow如何继续训练之前保存的模型实例的详细内容，更多请关注0133技术站其它相关文章！
