tensorflow中Saver的用法

1. Saver簡介

訓練完一個模型後，爲了以後重複使用，通常希望保存訓練的結果，這些結果指的是模型的參數，也就是神經網絡中的各項權重值。以便下次迭代的訓練或者用作測試。
Tensorflow針對這一需求提供了Saver類。 Saver類提供了向checkpoints文件保存和從checkpoints文件中恢復變量的相關方法。Checkpoints文件是一個二進制文件，它把變量名映射到對應的tensor值 。
爲了避免填滿整個磁盤，Saver可以自動的管理Checkpoints文件。例如，我們可以指定保存最近的N個Checkpoints文件。

2. Saver的應用

**2.1 訓練階段**
使用tf.train.Saver.save()方法保存模型
tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)

 - sess: 表示當前會話，當前會話記錄了當前的變量值。 
 - save_path: String類型，用於指定訓練結果的保存路徑。 
 - global_step:表示當前是第幾步。如果提供的話，這個數字會添加到save_path後面，用於構建checkpoint文件。這個參數有助於我們區分不同訓練階段的結果。
訓練完成後，當前目錄底下會多出5個文件。
![這裏寫圖片描述](https://img-blog.csdn.net/20180613111524633?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RkeV9zd2VldHk=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

打開名爲“checkpoint”的文件，可以看到保存記錄，和最新的模型存儲位置。
![這裏寫圖片描述](https://img-blog.csdn.net/20180613111903173?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2RkeV9zd2VldHk=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

**2.2 測試驗證階段**
使用tf.train.Saver.restore方法恢復模型及變量
tf.train.Saver.restore(sess, save_path)
 - sess: 表示當前會話，之前保存的結果將被加載入這個會話
 - save_path: 同保存模型是用到的的save_path參數。

運行結果如下圖所示，加載了之前訓練的參數w和b的結果

3.Saver實例

import tensorflow as tf  
import numpy as np  

x = tf.placeholder(tf.float32, shape=[None, 1])  
y = 4 * x + 4  

w = tf.Variable(tf.random_normal([1], -1, 1))  
b = tf.Variable(tf.zeros([1]))  
y_predict = w * x + b  


loss = tf.reduce_mean(tf.square(y - y_predict))  
optimizer = tf.train.GradientDescentOptimizer(0.5)  
train = optimizer.minimize(loss)  

#用於驗證
isTrain = False 
#用於訓練
isTrain = True 
train_steps = 100  
checkpoint_steps = 50  
checkpoint_dir = '/Users/LearningTensorflow/'  

saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b  
x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))  

with tf.Session() as sess:  
    sess.run(tf.initialize_all_variables())  
    if isTrain:  
        for i in range(train_steps):  
            sess.run(train, feed_dict={x: x_data})  
            if (i + 1) % checkpoint_steps == 0:  
                saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)  
    else:  
        ckpt = tf.train.get_checkpoint_state(checkpoint_dir)  
        if ckpt and ckpt.model_checkpoint_path:  
            saver.restore(sess, ckpt.model_checkpoint_path)
            print(sess.run(w))  
            print(sess.run(b))   
        else:  
            pass  
        print(sess.run(w))  
        print(sess.run(b))  

• isTrain：用來區分訓練階段和測試階段，True表示訓練，False表示測試

• train_steps：表示訓練的次數，例子中使用100

• checkpoint_steps：表示訓練多少次保存一下checkpoints，例子中使用50

• checkpoint_dir：表示checkpoints文件的保存路徑，例子中使用當前路徑

訓練階段輸出結果

[3.8142192]
[4.1174507]
[3.972232]
[4.0175548]

驗證階段輸出結果，加載了之前訓練的參數w和b的結果

[3.972232]
[4.0175548]