当前位置:  开发笔记 > 编程语言 > 正文

TensorFlow实现保存训练模型为pd文件并恢复

今天小编就为大家分享一篇TensorFlow实现保存训练模型为pd文件并恢复,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

TensorFlow保存模型代码

import tensorflow as tf
from tensorflow.python.framework import graph_util
var1 = tf.Variable(1.0, dtype=tf.float32, name='v1')
var2 = tf.Variable(2.0, dtype=tf.float32, name='v2')
var3 = tf.Variable(2.0, dtype=tf.float32, name='v3')
x = tf.placeholder(dtype=tf.float32, shape=None, name='x')
x2 = tf.placeholder(dtype=tf.float32, shape=None, name='x2')
addop = tf.add(x, x2, name='add')
addop2 = tf.add(var1, var2, name='add2')
addop3 = tf.add(var3, var2, name='add3')
initop = tf.global_variables_initializer()
model_path = './Test/model.pb'
with tf.Session() as sess:
  sess.run(initop)
  print(sess.run(addop, feed_dict={x: 12, x2: 23}))
  output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['add', 'add2', 'add3'])
  # 将计算图写入到模型文件中
  model_f = tf.gfile.FastGFile(model_path, mode="wb")
  model_f.write(output_graph_def.SerializeToString())

读取模型代码

import tensorflow as tf
with tf.Session() as sess:
  model_f = tf.gfile.FastGFile("./Test/model.pb", mode='rb')
  graph_def = tf.GraphDef()
  graph_def.ParseFromString(model_f.read())
  c = tf.import_graph_def(graph_def, return_elements=["add2:0"])
  c2 = tf.import_graph_def(graph_def, return_elements=["add3:0"])
  x, x2, c3 = tf.import_graph_def(graph_def, return_elements=["x:0", "x2:0", "add:0"])

  print(sess.run(c))
  print(sess.run(c2))
  print(sess.run(c3, feed_dict={x: 23, x2: 2}))

以上这篇TensorFlow实现保存训练模型为pd文件并恢复就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

推荐阅读
N个小灰流_701
这个屌丝很懒,什么也没留下!
DevBox开发工具箱 | 专业的在线开发工具网站    京公网安备 11010802040832号  |  京ICP备19059560号-6
Copyright © 1998 - 2020 DevBox.CN. All Rights Reserved devBox.cn 开发工具箱 版权所有