tensorflow模型保存和使用08

我們先定義一個簡單的神經網絡，用來訓練模型，然后將模型保存下來，最后加載保存下來的模型進行檢測，查看輸出結果。

#模型訓練和保存
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#載入數據集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每個批次100張照片
batch_size=100
#計算一共有多少個批次
n_batch=mnist.train.num_examples // batch_size

#定義兩個placeholder
x=tf.placeholder(tf.float32, [None, 784])
y=tf.placeholder(tf.float32, [None, 10])

#創建一個簡單的神經網絡，輸入層784個神經元，輸出層10個神經元
W=tf.Variable(tf.zeros([784, 10]))
b=tf.Variable(tf.zeros([10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

#二次代價函數
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
#使用梯度下降法
trian_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化變量
init=tf.global_variables_initializer()

#結果保存在一個布爾型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一維張量中最大的值所在的位置
#求准確率
accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

saver=tf.train.Saver()

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(11):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(trian_step,feed_dict={x:batch_xs,y:batch_ys})

        acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("Iter"+str(epoch)+",Testing Accuracy "+str(acc))
    #保存模型
    saver.save(sess,'net/my_net.ckpt')

訓練的過程

模型保存結果

  

#模型加載和檢測
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#載入數據集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每個批次100張照片
batch_size=100
#計算一共有多少個批次
n_batch=mnist.train.num_examples // batch_size

#定義兩個placeholder
x=tf.placeholder(tf.float32, [None, 784])
y=tf.placeholder(tf.float32, [None, 10])

#創建一個簡單的神經網絡，輸入層784個神經元，輸出層10個神經元
W=tf.Variable(tf.zeros([784, 10]))
b=tf.Variable(tf.zeros([10]))
prediction=tf.nn.softmax(tf.matmul(x,W)+b)

#二次代價函數
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
#使用梯度下降法
trian_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化變量
init=tf.global_variables_initializer()

#結果保存在一個布爾型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一維張量中最大的值所在的位置
#求准確率
accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

saver=tf.train.Saver()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))
    saver.restore(sess, 'net/my_net.ckpt')
    print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))

  我們看到第一次的輸出結果為0.098接近於0.01，原因是我們用的模型數據W、b為tf.zeros()接口初始化的數據，初始化都為0，所以結果都為隨機猜的；

后邊那一次輸出的結果為0.917，這個結果就比較接近訓練時候模型的輸出，這里我們用的模型數據的W、b為saver.restore加載后的。

 

 

目錄：

1. tensorflow簡介、目錄
2. tensorflow中的圖（02-1）
3. tensorflow變量的使用（02-2）
4. tensorflow中的Fetch、Feed（02-3）
5. tensorflow版helloworld---擬合線性函數的k和b（02-4）
6. tensorflow非線性回歸（03-1）
7. MNIST手寫數字分類simple版（03-2）
8. 二次代價函數、交叉熵(cross-entropy)、對數似然代價函數（log-likelihood cost）(04-1)
9. 多層網絡通過防止過擬合，增加模型的准確率（04-2）
10. 修改優化器進一步提升准確率（04-3）
11. 手寫數字識別-卷積神經網絡cnn（06-2）
12. 循環神經網絡rnn與長短時記憶神經網絡簡述（07-2）
13. 循環神經網絡lstm代碼實現（07-3）
14. tensorflow模型保存和使用08
15. 下載inception v3  google訓練好的模型並解壓08-3
16. 使用inception v3做各種圖像分類識別08-4
17. word2vec模型訓練簡單案例
18. word2vec+textcnn文本分類簡述及代碼