下面代码的功能是先训练一个简单的模型,然后保存模型,同时保存到一个pb文件当中,后续可以从pd文件里读取权重值。
进口tensorflow特遣部队
进口numpy np
进口操作系统
进口h6py
进口泡菜
从tensorflow.python.framework进口graph_util
从tensorflow.python。平台导入gfile
#设置使用指定GPU
操作系统。环境[' CUDA_VISIBLE_DEVICES ']=' 1 '
#下面这段代码是在训练好之后将所有的权重名字和权重值罗列出来,训练的时候需要注释掉
读者=tf.train.NewCheckpointReader (“。/model.ckpt - 100”)
变量=reader.get_variable_to_shape_map ()
避署的变量:
打印(避署)
print (reader.get_tensor(避署))
x=tf.placeholder (tf。float32、形状=[没有,1])
y=x + 4 * 4
w=tf.Variable (tf。random_normal ([1], 1,1))
b=tf.Variable (tf.zeros ([1]))
y_predict=w * x + b
损失=tf.reduce_mean (tf。平方(y - y_predict))
优化器=tf.train.GradientDescentOptimizer (0.5)
火车=optimizer.minimize(亏损)
isTrain=False #设成真正的去训练模型
train_steps=100
checkpoint_steps=50
checkpoint_dir="
储蓄者=tf.train.Saver() #默认为拯救所有的变量——在这种情况下,w和b
x_data=https://www.yisu.com/zixun/np.reshape (np.random.rand (10) .astype (np.float32), (10,1))
与tf.Session税():
sess.run (tf.global_variables_initializer ())
如果isTrain:
因为我在xrange (train_steps):
sess.run(火车,feed_dict={x: x_data})
如果(i + 1) % checkpoint_steps==0:
储蓄者。保存(税,checkpoint_dir +”模型。ckpt’, global_step=i + 1)
其他:
ckpt=tf.train.get_checkpoint_state (checkpoint_dir)
如果ckpt和ckpt.model_checkpoint_path:
储蓄者。ckpt.model_checkpoint_path恢复(税)
其他:
通过
print (sess.run (w))
打印(sess.run (b))
.as_graph_def graph_def=tf.get_default_graph () ()
#通过修改下面的函数,个人觉得理论上能够实现修改权重,但是很复杂,如果哪位有好办法,欢迎指教
output_graph_def=graph_util。convert_variables_to_constants(税、graph_def(“变量”))
与tf.gfile.FastGFile('/测试。pb”、“白平衡”)作为f:
f.write (output_graph_def.SerializeToString ())
与tf.Session税():
#对应最后一部分的写,这里能够将对应的变量取出来
与gfile.FastGFile('/测试。pb, rb) f:
graph_def=tf.GraphDef ()
graph_def.ParseFromString (f.read ())
res=特遣部队。import_graph_def (graph_def return_elements=['变量:0 '])
print (sess.run (res))
打印(sess.run (graph_def)
以上这篇tensorflow保存模型和取出中间权重例子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。
