Menyimpan dan Memulihkan Model TensorFlow Terlatih
TensorFlow menyediakan keupayaan lancar untuk menyimpan dan memulihkan model terlatih, membolehkan anda meneruskan dan menggunakan semula model anda dalam pelbagai senario.
Menyimpan Model
Untuk menyimpan model terlatih dalam TensorFlow, anda boleh menggunakan kelas tf.train.Saver. Berikut ialah contoh:
import tensorflow as tf # Prepare placeholders and variables w1 = tf.placeholder(tf.float32, name="w1") w2 = tf.placeholder(tf.float32, name="w2") b1 = tf.Variable(2.0, name="bias") feed_dict = {w1: 4, w2: 8} # Define an operation to be restored w3 = tf.add(w1, w2) w4 = tf.multiply(w3, b1, name="op_to_restore") sess = tf.Session() sess.run(tf.global_variables_initializer()) # Create a saver object saver = tf.train.Saver() # Run the operation and save the graph print(sess.run(w4, feed_dict)) saver.save(sess, 'my_test_model', global_step=1000)
Memulihkan Model
Untuk memulihkan model yang disimpan sebelum ini, anda boleh menggunakan proses berikut:
import tensorflow as tf sess = tf.Session() # Load the meta graph and restore weights saver = tf.train.import_meta_graph('my_test_model-1000.meta') saver.restore(sess, tf.train.latest_checkpoint('./')) # Access saved variables directly print(sess.run('bias:0')) # Prints 2 (the bias value) # Access and create feed-dict for new input data graph = tf.get_default_graph() w1 = graph.get_tensor_by_name("w1:0") w2 = graph.get_tensor_by_name("w2:0") feed_dict = {w1: 13.0, w2: 17.0} # Access the desired operation op_to_restore = graph.get_tensor_by_name("op_to_restore:0") print(sess.run(op_to_restore, feed_dict)) # Prints 60 ((w1 + w2) * b1)
Untuk senario tambahan dan kes penggunaan, rujuk kepada sumber yang disediakan dalam jawapan yang disediakan, yang menyelidiki lebih mendalam tentang menyimpan dan memulihkan Model TensorFlow.
Atas ialah kandungan terperinci Bagaimanakah Saya Boleh Simpan dan Pulihkan Model TensorFlow Terlatih?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!