tf.train.Saver()
tf.train.Saver() 作用:保存和加载模型
saver = tf.train.Saver()
saver.save(sess, ‘路径 + 模型文件名’)
在创建这个 Saver 对象的时候, max_to_keep 参数表示要保留的最近检查点文件的最大数量,创建新文件时,将删除旧文件,默认为 5(即保留最近的 5 个检查点文件),max_to_keep=5。
需要注意的是,tensorflow变量的作用范围是在一个session里面,所以在保存模型的时候,应该在session里面通过save方法保存。
saver = tf.train.Save(max_to_keep=5)
saver = tf.train.Saver(...variables...) __init__( var_list=None, #var_list指定要保存和恢复的变量 reshape=False, sharded=False, max_to_keep=5, keep_checkpoint_every_n_hours=10000.0, name=None, restore_sequentially=False, saver_def=None, builder=None, defer_build=False, allow_empty=False, write_version=tf.train.SaverDef.V2, pad_step_number=False, save_relative_paths=False, filename=None )
global_step表示每多少次(1000次)就保存一下模型:
saver.save(sess, 'my_test_model',global_step=1000)
当然在训练的时候,假设每1000次就保存一次模型,但是这些保存的文件中变化的仅仅是神经网络的variable,而网络结构没有变化,没必要重复保存.meta文件。
所以我们可以设置只让网络结构保存一次:
saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)
如果只想保留最新的5个模型,并希望每1个小时保存一次,可以使用max_to_keep和keep_checkpoint_every_n_hours:
#saves a model every 1 hours and maximum 5 latest models are saved.
saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)
原文链接:https://blog.csdn.net/devinzkx/article/details/124489530