【Tensorflow】数据及模型的保存和恢复
【Tensorflow】数据及模型的保存和恢复
如果你是一个深度学习的初学者，那么我相信你应该会跟着教材或者视频敲上那么一遍代码，搭建最简单的神经网络去完成针对 MNIST 数据库的数字识别任务。通常，随意构建 3 层神经网络就可以很快地完成任务，得到比较高的准确率。这时候，你信心大增，准备挑战更难的任务。
你准备进行针对彩色图片做类型识别，那么选 CIFAR-10 就好了。于是，你也基于自己的理解，搭建了一个较为复杂的神经网络，于是，问题可能来了。你自行搭建的神经网络的准确率实在是太低了，有可能 30% 都达不到，没有办法，你只能做各种调试，加深网络，增大卷积核的数量，降低学习率等等，你会发现识别效果会得到改善，但是，训练时间却被拉长了，如果你自己学习的电脑没有 GPU 或者是 GPU 性能不好，那么训练的时间会让你绝望，因此，你渴望神经网络训练的过程可以保存和重载，就像下载软件断点续传一般，这样你就可以在晚上睡觉的时候，让机器训练，早上的时候保存结果，然后下次训练时又在上一次基础上进行。
Tensorflow 是当前最流行的机器学习框架，它自然支持这种需求。
Tensorflow 通过 tf.train.Saver 这个模块进行数据的保存和恢复。它有 2 个核心方法。
save()
restore()顾名思义，save() 就是用来保存变量，restore() 就是用来恢复的。
它们的用法非常简单。下面，我们用示例来说明。
假设我们程序的计算图是 a * b + c
a、b、d、e 都是变量，现在要保存它们的值，怎么用 Tensorflow 的代码实现呢？
数据的保存
import tensorflow as tf
a = tf.get_variable("a",[1])
b = tf.get_variable("b",[1])
c = tf.get_variable("c",[1])
d = tf.multiply(a,b,name="d")
e = tf.add(d,c,name="e")
saver = tf.train.Saver()创建标量，然后创建 Saver() 对象就好了。
接下来怎么保存这些变量呢？
def test_save(saver):
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver.save(sess,"model/weights")
print("a %f" % a.eval())
print("b %f" % b.eval())
print("c %f" % c.eval())
print("e %f" % e.eval())
test_save(saver)先初始化变量，然后调用 Saver.save() 方法就好了，第一个参数是 session 对象，第二个参数是变量存放的路径。
运行程序后，当前目录下会生成存储文件。
并且，程序代码有打印变量存储时本身的值。
a -1.723781
b 0.387082
c -1.321383
e -1.988627现在编写程序代码让它恢复这些值。
数据的恢复
同样很简单。
def test_restore(saver):
with tf.Session() as sess:
saver.restore(sess, "model/weights")
print("a %f" % a.eval())
print("b %f" % b.eval())
print("c %f" % c.eval())
print("e %f" % e.eval())
test_restore(saver)调用 Saver.restore() 方法就可以了，同样需要传递一个 session 对象，第二个参数是被保存的模型数据的路径。
当调用 Saver.restore() 时，不需要初始化所需要的变量。
大家可以仔细比较保存时的代码，和恢复时的代码。
运行程序后，会在控制台打印恢复过来的变量。
a -1.723781
b 0.387082
c -1.321383
e -1.988627这和之前的值，一模一样，这说明程序代码有正确保存和恢复变量。
上面是最简单的变量保存例子，在实际工作当中，模型当中的变量会更多，但基本上的流程不会脱离这个最简化的流程。