TensorFlow实现保存训练模型为pd文件并恢复

TensorFlow保存模型代码

import tensorflow as tf
from tensorflow.python.framework import graph_util
var1 = tf.Variable(1.0, dtype=tf.float32, name='v1')
var2 = tf.Variable(2.0, dtype=tf.float32, name='v2')
var3 = tf.Variable(2.0, dtype=tf.float32, name='v3')
x = tf.placeholder(dtype=tf.float32, shape=None, name='x')
x2 = tf.placeholder(dtype=tf.float32, shape=None, name='x2')
addop = tf.add(x, x2, name='add')
addop2 = tf.add(var1, var2, name='add2')
addop3 = tf.add(var3, var2, name='add3')
initop = tf.global_variables_initializer()
model_path = './Test/model.pb'
with tf.Session() as sess:
  sess.run(initop)
  print(sess.run(addop, feed_dict={x: 12, x2: 23}))
  output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['add', 'add2', 'add3'])
  # 将计算图写入到模型文件中
  model_f = tf.gfile.FastGFile(model_path, mode="wb")
  model_f.write(output_graph_def.SerializeToString())

读取模型代码

import tensorflow as tf
with tf.Session() as sess:
  model_f = tf.gfile.FastGFile("./Test/model.pb", mode='rb')
  graph_def = tf.GraphDef()
  graph_def.ParseFromString(model_f.read())
  c = tf.import_graph_def(graph_def, return_elements=["add2:0"])
  c2 = tf.import_graph_def(graph_def, return_elements=["add3:0"])
  x, x2, c3 = tf.import_graph_def(graph_def, return_elements=["x:0", "x2:0", "add:0"])

  print(sess.run(c))
  print(sess.run(c2))
  print(sess.run(c3, feed_dict={x: 23, x2: 2}))

以上这篇TensorFlow实现保存训练模型为pd文件并恢复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呐喊教程。

声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#nhooo.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。