在Tensorflow中，如何在程序训练完成后保存权重和所有其他变量？我希望能够使用我稍后训练的模型。提前致谢。
最佳答案
您可以像这样定义一个保护程序对象:
saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)
在这种情况下，保存程序配置为保留五个最近的检查点，并在训练期间每小时保留一个检查点。
然后可以在主训练循环中通过如下调用定期调用保护程序。
sess=tf.Session()
...
# Save the model every 100 iterations
if step % 100 == 0:
saver.save(sess, "./model", global_step=step)
在此示例中，保存程序每 100 个训练步骤就将一个检查点保存到 ./model 子目录中。可选参数 global_step 将此值附加到检查点文件名。
模型权重和其他值可能会在稍后通过以下方式恢复以进行额外的训练或推理:
saver.restore(sess, path.model_checkpoint_path)
还有各种其他有用的变体和选项。开始学习它们的一个好地方是关于变量创建、存储和检索的 TF 指南 here
关于machine-learning - 模型完成训练后保存权重 - Tensorflow，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/39317389/