Bagaimanakah Saya Boleh Simpan dan Pulihkan Model TensorFlow Terlatih?

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!