TensorFlow中Checkpoint為模型添加檢查點(diǎn)的示例分析

這篇文章主要介紹了TensorFlow中Checkpoint為模型添加檢查點(diǎn)的示例分析，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

1.檢查點(diǎn)

保存模型并不限于在訓(xùn)練模型后，在訓(xùn)練模型之中也需要保存，因?yàn)門ensorFlow訓(xùn)練模型時(shí)難免會出現(xiàn)中斷的情況，我們自然希望能夠?qū)⒂?xùn)練得到的參數(shù)保存下來，否則下次又要重新訓(xùn)練。

這種在訓(xùn)練中保存模型，習(xí)慣上稱之為保存檢查點(diǎn)。

2.添加保存點(diǎn)

通過添加檢查點(diǎn)，可以生成載入檢查點(diǎn)文件，并能夠指定生成檢查文件的個(gè)數(shù)，例如使用saver的另一個(gè)參數(shù)——max_to_keep=1，表明最多只保存一個(gè)檢查點(diǎn)文件，在保存時(shí)使用如下的代碼傳入迭代次數(shù)。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os

train_x = np.linspace(-5, 3, 50)
train_y = train_x * 5 + 10 + np.random.random(50) * 10 - 5

plt.plot(train_x, train_y, 'r.')
plt.grid(True)
plt.show()

tf.reset_default_graph()

X = tf.placeholder(dtype=tf.float32)
Y = tf.placeholder(dtype=tf.float32)

w = tf.Variable(tf.random.truncated_normal([1]), name='Weight')
b = tf.Variable(tf.random.truncated_normal([1]), name='bias')

z = tf.multiply(X, w) + b

cost = tf.reduce_mean(tf.square(Y - z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

init = tf.global_variables_initializer()

training_epochs = 20
display_step = 2


saver = tf.train.Saver(max_to_keep=15)
savedir = "model/"


if __name__ == '__main__':
 with tf.Session() as sess:
  sess.run(init)
  loss_list = []
  for epoch in range(training_epochs):
   for (x, y) in zip(train_x, train_y):
    sess.run(optimizer, feed_dict={X: x, Y: y})

   if epoch % display_step == 0:
    loss = sess.run(cost, feed_dict={X: x, Y: y})
    loss_list.append(loss)
    print('Iter: ', epoch, ' Loss: ', loss)

   w_, b_ = sess.run([w, b], feed_dict={X: x, Y: y})

   saver.save(sess, savedir + "linear.cpkt", global_step=epoch)

  print(" Finished ")
  print("W: ", w_, " b: ", b_, " loss: ", loss)
  plt.plot(train_x, train_x * w_ + b_, 'g-', train_x, train_y, 'r.')
  plt.grid(True)
  plt.show()

 load_epoch = 10

 with tf.Session() as sess2:
  sess2.run(tf.global_variables_initializer())
  saver.restore(sess2, savedir + "linear.cpkt-" + str(load_epoch))
  print(sess2.run([w, b], feed_dict={X: train_x, Y: train_y}))

在上述的代碼中，我們使用saver.save(sess, savedir + "linear.cpkt", global_step=epoch)將訓(xùn)練的參數(shù)傳入檢查點(diǎn)進(jìn)行保存，saver = tf.train.Saver(max_to_keep=1)表示只保存一個(gè)文件，這樣在訓(xùn)練過程中得到的新的模型就會覆蓋以前的模型。

cpkt = tf.train.get_checkpoint_state(savedir)
if cpkt and cpkt.model_checkpoint_path:
　　saver.restore(sess2, cpkt.model_checkpoint_path)

kpt = tf.train.latest_checkpoint(savedir)
saver.restore(sess2, kpt)

上述的兩種方法也可以對checkpoint文件進(jìn)行加載，tf.train.latest_checkpoint(savedir)為加載最后的檢查點(diǎn)文件。這種方式，我們可以通過保存指定訓(xùn)練次數(shù)的檢查點(diǎn)，比如保存5的倍數(shù)次保存一下檢查點(diǎn)。

3.簡便保存檢查點(diǎn)

我們還可以用更加簡單的方法進(jìn)行檢查點(diǎn)的保存，tf.train.MonitoredTrainingSession()函數(shù)，該函數(shù)可以直接實(shí)現(xiàn)保存載入檢查點(diǎn)模型的文件，與前面的方法不同的是，它是按照訓(xùn)練時(shí)間來保存檢查點(diǎn)的，可以通過指定save_checkpoint_secs參數(shù)的具體秒數(shù)，設(shè)置多久保存一次檢查點(diǎn)。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os

train_x = np.linspace(-5, 3, 50)
train_y = train_x * 5 + 10 + np.random.random(50) * 10 - 5

# plt.plot(train_x, train_y, 'r.')
# plt.grid(True)
# plt.show()

tf.reset_default_graph()

X = tf.placeholder(dtype=tf.float32)
Y = tf.placeholder(dtype=tf.float32)

w = tf.Variable(tf.random.truncated_normal([1]), name='Weight')
b = tf.Variable(tf.random.truncated_normal([1]), name='bias')

z = tf.multiply(X, w) + b

cost = tf.reduce_mean(tf.square(Y - z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

init = tf.global_variables_initializer()

training_epochs = 30
display_step = 2


global_step = tf.train.get_or_create_global_step()

step = tf.assign_add(global_step, 1)

saver = tf.train.Saver()

savedir = "check-point/"

if __name__ == '__main__':
 with tf.train.MonitoredTrainingSession(checkpoint_dir=savedir + 'linear.cpkt', save_checkpoint_secs=5) as sess:
  sess.run(init)
  loss_list = []
  for epoch in range(training_epochs):
   sess.run(global_step)
   for (x, y) in zip(train_x, train_y):
    sess.run(optimizer, feed_dict={X: x, Y: y})

   if epoch % display_step == 0:
    loss = sess.run(cost, feed_dict={X: x, Y: y})
    loss_list.append(loss)
    print('Iter: ', epoch, ' Loss: ', loss)

   w_, b_ = sess.run([w, b], feed_dict={X: x, Y: y})
   sess.run(step)

  print(" Finished ")
  print("W: ", w_, " b: ", b_, " loss: ", loss)
  plt.plot(train_x, train_x * w_ + b_, 'g-', train_x, train_y, 'r.')
  plt.grid(True)
  plt.show()

 load_epoch = 10

 with tf.Session() as sess2:
  sess2.run(tf.global_variables_initializer())

  # saver.restore(sess2, savedir + 'linear.cpkt-' + str(load_epoch))

  # cpkt = tf.train.get_checkpoint_state(savedir)
  # if cpkt and cpkt.model_checkpoint_path:
  #  saver.restore(sess2, cpkt.model_checkpoint_path)
  #
  kpt = tf.train.latest_checkpoint(savedir + 'linear.cpkt')

  saver.restore(sess2, kpt)

  print(sess2.run([w, b], feed_dict={X: train_x, Y: train_y}))

上述的代碼中，我們設(shè)置了沒訓(xùn)練了5秒中之后，就保存一次檢查點(diǎn)，它默認(rèn)的保存時(shí)間間隔是10分鐘，這種按照時(shí)間的保存模式更適合使用大型數(shù)據(jù)集訓(xùn)練復(fù)雜模型的情況，注意在使用上述的方法時(shí)，要定義global_step變量，在訓(xùn)練完一個(gè)批次或者一個(gè)樣本之后，要將其進(jìn)行加1的操作，否則將會報(bào)錯。

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“TensorFlow中Checkpoint為模型添加檢查點(diǎn)的示例分析”這篇文章對大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!