解决tensoflow如何在已训练模型上继续训练fineturn的问题。

训练代码

任务描述： x = 3.0, y = 100.0， 运算公式 x×W+b = y，求 W和b的最优解。

# -*- coding: utf-8 -*-)import tensorflow as tf # 声明占位变量x、yx = tf.placeholder("float", shape=[None, 1])y = tf.placeholder("float", [None, 1]) # 声明变量W = tf.Variable(tf.zeros([1, 1]),name='w')b = tf.Variable(tf.zeros([1]),name='b') # 操作result = tf.matmul(x, W) + b # 损失函数lost = tf.reduce_sum(tf.pow((result - y), 2)) # 优化train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost) with tf.Session() as sess: # 初始化变量 sess.run(tf.global_variables_initializer()) saver = tf.train.Saver(max_to_keep=3) # 这里x、y给固定的值 x_s = [[3.0]] y_s = [[100.0]] step = 0 while (True): step += 1 feed = {x: x_s, y: y_s} # 通过sess.run执行优化 sess.run(train_step, feed_dict=feed) if step % 1000 == 0: print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed)) if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3: print '' # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed)) print 'final result of {0} = {1}（目标值是100.0）'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b)) print '' print("模型保存的W值 : %f" % sess.run(W)) print("模型保存的b : %f" % sess.run(b)) break saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

训练完成之后生成模型文件：

step: 1000, loss: 4.89526428282e-08step: 2000, loss: 4.89526428282e-08step: 3000, loss: 4.89526428282e-08step: 4000, loss: 4.89526428282e-08step: 5000, loss: 4.89526428282e-08 final result of x×W+b = [[99.99978]]（目标值是100.0） 模型保存的W值 : 29.999931模型保存的b : 9.999982

保存在模型中的W值是 29.999931，b是 9.999982。

以下代码从保存的模型中恢复出训练状态，继续训练

任务描述： x = 3.0, y = 200.0， 运算公式 x×W+b = y，从上次训练的模型中恢复出训练参数，继续训练，求 W和b的最优解。

# -*- coding: utf-8 -*-)import tensorflow as tf # 声明占位变量x、yx = tf.placeholder("float", shape=[None, 1])y = tf.placeholder("float", [None, 1]) with tf.Session() as sess: # 初始化变量 sess.run(tf.global_variables_initializer()) # saver = tf.train.Saver(max_to_keep=3) saver = tf.train.import_meta_graph(r'./save_model/re-train-5000.meta') # 加载模型图结构 saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢复数据 # 从保存模型中恢复变量 graph = tf.get_default_graph() W = graph.get_tensor_by_name("w:0") b = graph.get_tensor_by_name("b:0") print("从保存的模型中恢复出来的W值 : %f" % sess.run("w:0")) print("从保存的模型中恢复出来的b值 : %f" % sess.run("b:0")) # 操作 result = tf.matmul(x, W) + b # 损失函数 lost = tf.reduce_sum(tf.pow((result - y), 2)) # 优化 train_step = tf.train.GradientDescentOptimizer(0.0007).minimize(lost) # 这里x、y给固定的值 x_s = [[3.0]] y_s = [[200.0]] step = 0 while (True): step += 1 feed = {x: x_s, y: y_s} # 通过sess.run执行优化 sess.run(train_step, feed_dict=feed) if step % 1000 == 0: print 'step: {0}, loss: {1}'.format(step, sess.run(lost, feed_dict=feed)) if sess.run(lost, feed_dict=feed) < 1e-10 or step > 4e3: print '' # print 'final loss is: {}'.format(sess.run(lost, feed_dict=feed)) print 'final result of {0} = {1}（目标值是200.0）'.format('x×W+b', 3.0 * sess.run(W) + sess.run(b)) print("模型保存的W值 : %f" % sess.run(W)) print("模型保存的b : %f" % sess.run(b)) break saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

训练输出：

从保存的模型中恢复出来的W值 : 29.999931从保存的模型中恢复出来的b值 : 9.999982step: 1000, loss: 1.95810571313e-07step: 2000, loss: 1.95810571313e-07step: 3000, loss: 1.95810571313e-07step: 4000, loss: 1.95810571313e-07step: 5000, loss: 1.95810571313e-07 final result of x×W+b = [[199.99956]]（目标值是200.0）模型保存的W值 : 59.999866模型保存的b : 19.999958

从保存的模型中恢复出来的W值是 29.999931，b是 9.999982，跟模型保存的值一致，说明加载成功。

总结

从头开始训练一个模型，需要通过 tf.train.Saver创建一个保存器，完成之后使用save方法保存模型到本地：

saver = tf.train.Saver(max_to_keep=3)……saver.save(sess, "./save_model/re-train", global_step=step) # 保存模型

在训练好的模型上继续训练，fineturn一个模型，可以使用tf.train.import_meta_graph方法加载图结构，使用restore方法恢复训练数据，最后使用同样的save方法保存到本地：

saver = tf.train.import_meta_graph(r'./save_model/re-train-10050.meta') # 加载模型图结构saver.restore(sess, tf.train.latest_checkpoint(r'./save_model')) # 恢复数据saver.save(sess, "./save_mode/re-train", global_step=step) # 保存模型

注：特殊情况下(如本例)需要从恢复的模型中加载出数据：

# 从保存模型中恢复变量graph = tf.get_default_graph()W = graph.get_tensor_by_name("w:0")b = graph.get_tensor_by_name("b:0")

以上这篇tensorflow模型继续训练 fineturn实例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。