#!/usr/bin/env python
# coding=utf-8
import tensorflow as tf
# 创建节点时设置name，方便在图中识别
W = tf.Variable([0], dtype=tf.float32, name='W')
b = tf.Variable([0], dtype=tf.float32, name='b')
# 创建节点时设置name，方便在图中识别
x = tf.placeholder(tf.float32, name='x')
y = tf.placeholder(tf.float32, name='y')
# 线性模型
linear_model = W * x + b
# 损失模型隐藏到loss-model模块
with tf.name_scope("loss-model"):
loss = tf.reduce_sum(tf.square(linear_model - y))
# 给损失模型的输出添加scalar，用来观察loss的收敛曲线
tf.summary.scalar("loss", loss)
optmizer = tf.train.GradientDescentOptimizer(0.001)
train = optmizer.minimize(loss)
x_train = [1, 2, 3, 6, 8]
y_train = [4.8, 8.5, 10.4, 21.0, 25.3]
# 对模型初始化
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
# 调用 merge_all() 收集所有的操作数据
merged = tf.summary.merge_all()
# 模型运行产生的所有数据保存到 /tmp/tensorflow 文件夹供 TensorBoard 使用
writer = tf.summary.FileWriter('/tmp/tensorflow', sess.graph)
saver = tf.train.Saver() # 生成saver
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 先对模型初始化
# 训练10000次
for i in range(10000):
# 训练时传入merge
summary, _ = sess.run([merged, train], {x: x_train, y: y_train})
# 收集每次训练产生的数据
writer.add_summary(summary, i)
if i % 1000 == 0 :
curr_W, curr_b, curr_loss = sess.run(
[W, b, loss], {x: x_train, y: y_train})
print("After train W: %s b %s loss: %s" % (curr_W, curr_b, curr_loss))
# 训练完以后，使用saver.save 来保存
saver.save(sess, "./old_file/file") #file_name如果不存在的话，会自动创建
保存的文件信息：
文件信息.png
程序输出：
输出.png
需要在使用的时候定义和保存时一样的结构。
使用保存的信息：
#!/usr/bin/env python
# coding=utf-8
import tensorflow as tf
# 创建节点时设置name
W = tf.Variable([1], dtype=tf.float32, name='W')
b = tf.Variable([1], dtype=tf.float32, name='b')
saver = tf.train.Saver()
with tf.Session() as sess:
#参数可以进行初始化，也可不进行初始化。即使初始化了，初始化的值也会被restore的值给覆盖
sess.run(tf.global_variables_initializer())
saver.restore(sess, "./old_file/file") #会将已经保存的变量值resotre赋值到相应变量中。
print ("w", sess.run(W))
print ("b", sess.run(b))
输出.png
