TensorFlow官方文檔保存檢查點（checkpoint）

保存檢查點（checkpoint）

艾伯特（http://www.aibbt.com/）國內第一家人工智能門戶

爲了得到可以用來後續恢復模型以進一步訓練或評估的檢查點文件（checkpoint file），我們實例化一個tf.train.Saver。

saver = tf.train.Saver()

在訓練循環中，將定期調用saver.save()方法，向訓練文件夾中寫入包含了當前所有可訓練變量值得檢查點文件。

saver.save(sess, FLAGS.train_dir, global_step=step)

這樣，我們以後就可以使用saver.restore()方法，重載模型的參數，繼續訓練。

saver.restore(sess, FLAGS.train_dir)

評估模型

每隔一千個訓練步驟，我們的代碼會嘗試使用訓練數據集與測試數據集，對模型進行評估。do_eval函數會被調用三次，分別使用訓練數據集、驗證數據集合測試數據集。

print 'Training Data Eval:'
do_eval(sess,
        eval_correct,
        images_placeholder,
        labels_placeholder,
        data_sets.train)
print 'Validation Data Eval:'
do_eval(sess,
        eval_correct,
        images_placeholder,
        labels_placeholder,
        data_sets.validation)
print 'Test Data Eval:'
do_eval(sess,
        eval_correct,
        images_placeholder,
        labels_placeholder,
        data_sets.test)

注意，更復雜的使用場景通常是，先隔絕data_sets.test測試數據集，只有在大量的超參數優化調整（hyperparameter tuning）之後才進行檢查。但是，由於MNIST問題比較簡單，我們在這裏一次性評估所有的數據。

構建評估圖表（Eval Graph）

在打開默認圖表（Graph）之前，我們應該先調用get_data(train=False)函數，抓取測試數據集。

test_all_images, test_all_labels = get_data(train=False)

在進入訓練循環之前，我們應該先調用mnist.py文件中的evaluation函數，傳入的logits和標籤參數要與loss函數的一致。這樣做事爲了先構建Eval操作。

eval_correct = mnist.evaluation(logits, labels_placeholder)

evaluation函數會生成tf.nn.in_top_k 操作，如果在K個最有可能的預測中可以發現真的標籤，那麼這個操作就會將模型輸出標記爲正確。在本文中，我們把K的值設置爲1，也就是隻有在預測是真的標籤時，才判定它是正確的。

eval_correct = tf.nn.in_top_k(logits, labels, 1)

評估圖表的輸出（Eval Output）

之後，我們可以創建一個循環，往其中添加feed_dict，並在調用sess.run()函數時傳入eval_correct操作，目的就是用給定的數據集評估模型。

for step in xrange(steps_per_epoch):
    feed_dict = fill_feed_dict(data_set,
                               images_placeholder,
                               labels_placeholder)
    true_count += sess.run(eval_correct, feed_dict=feed_dict)

true_count變量會累加所有in_top_k操作判定爲正確的預測之和。接下來，只需要將正確測試的總數，除以例子總數，就可以得出準確率了。

precision = float(true_count) / float(num_examples)
print '  Num examples: %d  Num correct: %d  Precision @ 1: %0.02f' % (

num_examples, true_count, precision)

http://www.aibbt.com/a/16370.html