python保存模型与参数_如何导出python中的模型参数

模型的保存和读取

1.tensorflow保存和读取模型&＃xff1a;tf.train.Saver() .save()#保存模型需要用到save函数

save(

sess,

save_path,

global_step&＃61;None,

latest_filename&＃61;None,

meta_graph_suffix&＃61;&＃39;meta&＃39;,

write_meta_graph&＃61;True,

write_state&＃61;True

)

&＃39;&＃39;&＃39;

sess: 保存模型要求必须有一个加载了计算图的会话&＃xff0c;而且所有变量必须已被初始化。

save_path: 模型保存路径及保存名称

global_step: 如果提供的话&＃xff0c;这个数字会添加到save_path后面&＃xff0c;用于区分不同训练阶段的结果

&＃39;&＃39;&＃39;

示例&＃xff1a;#例子

import tensorflow as tf

import numpy as np

import os

#用numpy产生数据

x_data &＃61; np.linspace(-1,1,300)[:, np.newaxis] #转置

noise &＃61; np.random.normal(0,0.05, x_data.shape)

y_data &＃61; np.square(x_data)-0.5&＃43;noise

#输入层

x_ph &＃61; tf.placeholder(tf.float32, [None, 1])

y_ph &＃61; tf.placeholder(tf.float32, [None, 1])

#隐藏层

w1 &＃61; tf.Variable(tf.random_normal([1,10]))

b1 &＃61; tf.Variable(tf.zeros([1,10])&＃43;0.1)

wx_plus_b1 &＃61; tf.matmul(x_ph, w1) &＃43; b1

hidden &＃61; tf.nn.relu(wx_plus_b1)

#输出层

w2 &＃61; tf.Variable(tf.random_normal([10,1]))

b2 &＃61; tf.Variable(tf.zeros([1,1])&＃43;0.1)

wx_plus_b2 &＃61; tf.matmul(hidden, w2) &＃43; b2

y &＃61; wx_plus_b2

#损失

loss &＃61; tf.reduce_mean(tf.reduce_sum(tf.square(y_ph-y),reduction_indices&＃61;[1]))

train_op &＃61; tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#保存模型对象saver

saver &＃61; tf.train.Saver()

#判断模型保存路径是否存在&＃xff0c;不存在就创建

if not os.path.exists(&＃39;tmp/&＃39;):

os.mkdir(&＃39;tmp/&＃39;)

#初始化

with tf.Session() as sess:

if os.path.exists(&＃39;tmp/checkpoint&＃39;): #判断模型是否存在

saver.restore(sess, &＃39;tmp/model.ckpt&＃39;) #存在就从模型中恢复变量

else:

init &＃61; tf.global_variables_initializer() #不存在就初始化变量

sess.run(init)

for i in range(1000):

_,loss_value &＃61; sess.run([train_op,loss], feed_dict&＃61;{x_ph:x_data, y_ph:y_data})

if(i%50&＃61;&＃61;0):

save_path &＃61; saver.save(sess, &＃39;tmp/model.ckpt&＃39;)

print("迭代次数&＃xff1a;%d , 训练损失&＃xff1a;%s"%(i, loss_value))

每调用一次保存操作会创建后3个数据文件并创建一个检查点(checkpoint)文件&＃xff0c;简单理解就是权重等参数被保存到 .chkp.data 文件中&＃xff0c;以字典的形式&＃xff1b;图和元数据被保存到 .chkp.meta 文件中&＃xff0c;可以被 tf.train.import_meta_graph 加载到当前默认的图。

2.keras保存和读取模型

model.save(filepath)&＃xff0c;同时保存model和权重的import numpy as np

from keras.datasets import mnist

from keras.utils import np_utils

from keras.models import Sequential

from keras.layers import Dense

from keras.optimizers import SGD

# 载入数据

(x_train,y_train),(x_test,y_test) &＃61; mnist.load_data()

# (60000,28,28)

print(&＃39;x_shape:&＃39;,x_train.shape)

# (60000)

print(&＃39;y_shape:&＃39;,y_train.shape)

# (60000,28,28)->(60000,784)

x_train &＃61; x_train.reshape(x_train.shape[0],-1)/255.0

x_test &＃61; x_test.reshape(x_test.shape[0],-1)/255.0

# 换one hot格式

y_train &＃61; np_utils.to_categorical(y_train,num_classes&＃61;10)

y_test &＃61; np_utils.to_categorical(y_test,num_classes&＃61;10)

# 创建模型&＃xff0c;输入784个神经元&＃xff0c;输出10个神经元

model &＃61; Sequential([

Dense(units&＃61;10,input_dim&＃61;784,bias_initializer&＃61;&＃39;one&＃39;,activation&＃61;&＃39;softmax&＃39;)

])

# 定义优化器

sgd &＃61; SGD(lr&＃61;0.2)

# 定义优化器&＃xff0c;loss function&＃xff0c;训练过程中计算准确率

model.compile(

optimizer &＃61; sgd,

loss &＃61; &＃39;mse&＃39;,

metrics&＃61;[&＃39;accuracy&＃39;],

)

# 训练模型

model.fit(x_train,y_train,batch_size&＃61;64,epochs&＃61;5)

# 评估模型

loss,accuracy &＃61; model.evaluate(x_test,y_test)

print(&＃39;\ntest loss&＃39;,loss)

print(&＃39;accuracy&＃39;,accuracy)

# 保存模型

model.save(&＃39;model.h5&＃39;)