TensorFlow 模型保存/載入

我們在上線使用一個算法模型的時候，首先必須將已經訓練好的模型保存下來。tensorflow保存模型的方式與sklearn不太一樣，sklearn很直接，一個sklearn.externals.joblib的dump與load方法就可以保存與載入使用。而tensorflow由于有graph, operation 這些概念，保存與載入模型稍顯麻煩。

一、基本方法

網上搜索tensorflow模型保存，搜到的大多是基本的方法。即

保存

載入

如 保存 代碼如下

import tensorflow as tf import numpy as np W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w') b = tf.Variable([[0,1,2]],dtype = tf.float32,name='b') init = tf.initialize_all_variables() saver = tf.train.Saver() with tf.Session() as sess:   sess.run(init)   save_path = saver.save(sess,"save/model.ckpt") 

載入代碼如下

import tensorflow as tf import numpy as np W = tf.Variable(tf.truncated_normal(shape=(2,3)),dtype = tf.float32,name='w') b = tf.Variable(tf.truncated_normal(shape=(1,3)),dtype = tf.float32,name='b') saver = tf.train.Saver() with tf.Session() as sess:   saver.restore(sess,"save/model.ckpt") 

這種方法不方便的在于，在使用模型的時候，必須把模型的結構重新定義一遍，然后載入對應名字的變量的值。但是很多時候我們都更希望能夠讀取一個文件然后就直接使用模型，而不是還要把模型重新定義一遍。所以就需要使用另一種方法。

二、不需重新定義網絡結構的方法

tf.train.import_meta_graphimport_meta_graph( meta_graph_or_file, clear_devices=False, import_scope=None, **kwargs)

這個方法可以從文件中將保存的graph的所有節點加載到當前的default graph中，并返回一個saver。也就是說，我們在保存的時候，除了將變量的值保存下來，其實還有將對應graph中的各種節點保存下來，所以模型的結構也同樣被保存下來了。

比如我們想要保存計算最后預測結果的y，則應該在訓練階段將它添加到collection中。具體代碼如下

保存

### 定義模型input_x = tf.placeholder(tf.float32, shape=(None, in_dim), name='input_x')input_y = tf.placeholder(tf.float32, shape=(None, out_dim), name='input_y')w1 = tf.Variable(tf.truncated_normal([in_dim, h1_dim], stddev=0.1), name='w1')b1 = tf.Variable(tf.zeros([h1_dim]), name='b1')w2 = tf.Variable(tf.zeros([h1_dim, out_dim]), name='w2')b2 = tf.Variable(tf.zeros([out_dim]), name='b2')keep_prob = tf.placeholder(tf.float32, name='keep_prob')hidden1 = tf.nn.relu(tf.matmul(self.input_x, w1) + b1)hidden1_drop = tf.nn.dropout(hidden1, self.keep_prob)### 定義預測目標y = tf.nn.softmax(tf.matmul(hidden1_drop, w2) + b2)# 創建saversaver = tf.train.Saver(...variables...)# 假如需要保存y，以便在預測時使用tf.add_to_collection('pred_network', y)sess = tf.Session()for step in xrange(1000000): sess.run(train_op) if step % 1000 == 0:  # 保存checkpoint, 同時也默認導出一個meta_graph  # graph名為'my-model-{global_step}.meta'.  saver.save(sess, 'my-model', global_step=step)