开发笔记:TensorFlow基础——模型的保存读取与可视化方法总结

TensorFlow提供了一个用于保存模型的工具以及一个可视化方案

这里使用的TensorFlow为1.3.0版本

保存模型数据

• 模型数据以文件的形式保存到本地；


• 使用神经网络模型进行大数据量和复杂模型训练时，训练时间可能会持续增加，此时为避免训练过程出现不可逆的影响，并验证训练效果，可以考虑分段进行，将训练数据模型保存，然后在继续训练时重新读取；


• 此外，模型训练完毕，获取一个性能良好的模型后，可以保存以备重复利用；

模型保存形式如下：

保存模型数据的基本方法：

可以在训练进行之后保存模型saver.save(sess, save_dir) ，

已训练的模型可以在此次训练或预测前读取saver.restore(sess, save_dir)，

训练过程可视化方法

TensorFlow提供了一个Tensorboard工具进行可视化，此工具可以将训练过程中输出的数据使用Web浏览器输出显示；

保存的数据文件如下：

保存训练数据的基本方法

TensorFlow可以保存与显示的数据形式：

1. 标量Scalars


2. 图片Images


3. 音频Audio


4. 计算图Graph


5. 数据分布Distribution


6. 直方图Histograms


7. 嵌入向量Embeddings

Scalars是常用的可视化数据，如loss值，这里为一个浮点数，在构建TensorFlow数据图时，使用tf.summary.scalar(）定义summary节点，数据图执行后，此数据将被输出到文件；

 同样输出为直方图

在定义好如上节点后，需要进行合并以便运行这些的summary节点，之后使用方法tf.summary.FileWriter()将数据输出

最后在运行过程中获取数据并输出，可以每隔几次迭代输出一次数据

 启动Tensorboard

训练过程中会输出数据文件，此时可以实时的显示可视化结果，也可以训练结束后查看可视化结果；

Tensorboard需要手动启动，在Windows或Linux环境中的启动命令：

如：tensorboard --logdir=F:\\tblog

注：Windows下需要在数据文件的根目录执行此命令；

本机为Windows环境：

在浏览器中输入地址http://DESKTOP-6INT0GT:6006，为了保证兼容性，最好使用Chrome进行可视化；

结果：

同样可以查看数据图的可视化结构