在张量流中保存模型答案

【问题标题】：Saving model in tensorflow在张量流中保存模型
【发布时间】：2016-08-14 04:19:20
【问题描述】：

Tensorflow 允许我们使用方法 tf.train.write_graph 保存/加载模型的结构，以便我们可以在将来恢复它以继续我们的训练课程。但是，我想知道这是否有必要，因为我可以创建一个模块，例如 GraphDefinition.py，并使用这个模块重新创建模型。那么，哪种方法是保存模型结构的更好方法，或者是否有任何经验法则建议我在保存模型时应该使用哪种方法？

【问题讨论】：

您能提供一些代码示例吗？或者进一步的信息？我不明白为什么为了节省 TensorFlow 模型的权重而创建模块很重要。您始终可以保存整个图表（我猜看大小有一些开销）或指定应该保存哪些权重。但是，尽管使用了内存，但差别不大。

标签： python python-2.7 tensorflow

【解决方案1】：

首先，您必须了解，张量流图中没有当前权重（直到您在其中手动保存它们），如果您从 graph.pb 加载模型结构，您将从一开始就开始训练。但是如果你想继续训练或使用你训练过的模型，你必须保存检查点（使用 tf Saver）和其中的变量值，而不仅仅是结构。看看这个胎面：Tensorflow: How to restore a previously saved model (python)

【讨论】：

是的。我知道我必须使用 tf.Saver 来减轻重量。我无法得到的是是否有必要将模型结构保存到 graph.pb 并从该文件重新加载图表，还是我应该自己重新创建图表？
重要操作的名称应该相同（不是 python\c++ 名称，而是 tf，即：a = tf.Variable(value, name='define-tf-name-here')）以及图形和检查点文件中的变量以正确加载值，但如何得到这个 - 完全取决于你。保存和恢复您的图形定义文件或使用代码重新创建它都可以。