Способ 1: Зафиксировать график и веса в одном файле (перепрофилирование может быть невозможно)

Этот параметр показывает, как сохранить график и вес в одном файле. Его предназначенный вариант использования предназначен для развертывания / совместного использования модели после ее обучения. С этой целью мы будем использовать формат protobuf (pb).

Для сеанса (и графика) тензорного потока вы можете создать protobuf с

# freeze variables
output_graph_def = tf.graph_util.convert_variables_to_constants(
                               sess=sess,
                               input_graph_def =sess.graph.as_graph_def(),
                               output_node_names=['myMode/conv/output'])

# write protobuf to disk
with tf.gfile.GFile('graph.pb', "wb") as f:
    f.write(output_graph_def.SerializeToString())

, где output_node_names ожидает список строк имен для результирующих узлов диаграммы (см. документация тензорного потока ).

Затем вы можете загрузить protobuf и получить график с его весом для выполнения простых проходов легко.

with tf.gfile.GFile(path_to_pb, "rb") as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
with tf.Graph().as_default() as graph:
    tf.import_graph_def(graph_def, name='')
    return graph

Метод 2: Восстановление метаданных и контрольной точки (легкая переподготовка)

Если вы хотите продолжить обучение модели , вам может потребоваться восстановить полный график, т. е. веса, а также функцию потерь, некоторую информацию о градиенте (например, для оптимизатора Адама) и т. д.

Вам нужны мета и контрольные файлы, созданные тензорным потоком когда вы используете

saver = tf.train.Saver(...variables...)
saver.save(sess, 'my-model')

Это сгенерирует два файла: my-model и my-model.meta.

Из этих двух файлов вы можете загрузить график с помощью:

  new_saver = tf.train.import_meta_graph('my-model.meta')
  new_saver.restore(sess, 'my-save-dir/my-model')

Для получения дополнительной информации вы можете посмотреть официальную документацию .