Saver
tensorflow 中的 Saver 對象是用于 參數(shù)保存和恢復的。如何使用呢？
這里介紹了一些基本的用法。
官網(wǎng)中給出了這么一個例子：

v1 = tf.Variable(..., name='v1')
v2 = tf.Variable(..., name='v2')

# Pass the variables as a dict:
saver = tf.train.Saver({'v1': v1, 'v2': v2})

# Or pass them as a list.
saver = tf.train.Saver([v1, v2])
# Passing a list is equivalent to passing a dict with the variable op names
# as keys:
saver = tf.train.Saver({v.op.name: v for v in [v1, v2]})

#注意，如果不給Saver傳var_list 參數(shù)的話， 他將已 所有可以保存的 variable作為其var_list的值。
1
2
3
4
5
6
7
8
9
10
11
12
13
這里使用了三種不同的方式來創(chuàng)建 saver 對象， 但是它們內(nèi)部的原理是一樣的。我們都知道，參數(shù)會保存到 checkpoint 文件中，通過鍵值對的形式在 checkpoint中存放著。如果 Saver 的構造函數(shù)中傳的是 dict，那么在 save 的時候，checkpoint文件中存放的就是對應的 key-value。如下：

import tensorflow as tf
# Create some variables.
v1 = tf.Variable(1.0, name="v1")
v2 = tf.Variable(2.0, name="v2")

saver = tf.train.Saver({"variable_1":v1, "variable_2": v2})
# Use the saver object normally after that.
with tf.Session() as sess:
tf.global_variables_initializer().run()
saver.save(sess, 'test-ckpt/model-2')
1
2
3
4
5
6
7
8
9
10
我們通過官方提供的工具來看一下 checkpoint 中保存了什么

from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file

print_tensors_in_checkpoint_file("test-ckpt/model-2", None, True)
# 輸出:
#tensor_name: variable_1
#1.0
#tensor_name: variable_2
#2.0
1
2
3
4
5
6
7
8
如果構建saver對象的時候，我們傳入的是 list， 那么將會用對應 Variable 的 variable.op.name 作為 key。

import tensorflow as tf
# Create some variables.
v1 = tf.Variable(1.0, name="v1")
v2 = tf.Variable(2.0, name="v2")

saver = tf.train.Saver([v1, v2])
# Use the saver object normally after that.
with tf.Session() as sess:
tf.global_variables_initializer().run()
saver.save(sess, 'test-ckpt/model-2')
1
2
3
4
5
6
7
8
9
10
我們再使用官方工具打印出 checkpoint 中的數(shù)據(jù)，得到

tensor_name: v1
1.0
tensor_name: v2
2.0
1
2
3
4
。
如果我們現(xiàn)在想將 checkpoint 中v2的值restore到v1 中，v1的值restore到v2中，我們該怎么做？
這時，我們只能采用基于 dict 的 saver

import tensorflow as tf
# Create some variables.
v1 = tf.Variable(1.0, name="v1")
v2 = tf.Variable(2.0, name="v2")

saver = tf.train.Saver({"variable_1":v1, "variable_2": v2})
# Use the saver object normally after that.
with tf.Session() as sess:
tf.global_variables_initializer().run()
saver.save(sess, 'test-ckpt/model-2')
1
2
3
4
5
6
7
8
9
10
save 部分的代碼如上所示，下面寫 restore 的代碼，和save代碼有點不同。

```python
import tensorflow as tf
# Create some variables.
v1 = tf.Variable(1.0, name="v1")
v2 = tf.Variable(2.0, name="v2")
#restore的時候，variable_1對應到v2，variable_2對應到v1，就可以實現(xiàn)目的了。
saver = tf.train.Saver({"variable_1":v2, "variable_2": v1})
# Use the saver object normally after that.
with tf.Session() as sess:
tf.global_variables_initializer().run()
saver.restore(sess, 'test-ckpt/model-2')
print(sess.run(v1), sess.run(v2))
# 輸出的結果是 2.0 1.0，如我們所望
1
2
3
4
5
6
7
8
9
10
11
12
13
我們發(fā)現(xiàn)，其實 創(chuàng)建 saver對象時使用的鍵值對就是表達了一種對應關系：

save時， 表示：variable的值應該保存到 checkpoint文件中的哪個 key下
restore時，表示：checkpoint文件中key對應的值，應該restore到哪個variable
其它
一個快速找到ckpt文件的方式

ckpt = tf.train.get_checkpoint_state(ckpt_dir)
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)
1
2
3
參考資料
https://www.tensorflow.org/api_docs/python/tf/train/Saver
---------------------
作者：ke1th
來源：CSDN
原文：https://blog.csdn.net/u012436149/article/details/56665612
版權聲明：本文為博主原創(chuàng)文章，轉載請附上博文鏈接！

總結

以上是生活随笔為你收集整理的tensorflow学习笔记(三十四)：Saver(保存与加载模型)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。