如何儲存訓練好的引數

以前面練習的一個小例子，來儲存訓練好的引數：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow import float32

#載入資料，會自動通過一個指令碼下載好資料集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每個批次大小以及多少批次
batch_size = 100
n_batch = mnist.train.num_examples // batch_size

#設定兩個佔位符
x = tf.placeholder(dtype=tf.float32, shape=[None, 784])
y = tf.placeholder(dtype=tf.float32, shape=[None, 10])


#建立一個簡單的神經網路

W = tf.Variable(tf.zeros([784, 10]),float32)
b = tf.Variable(tf.zeros([10]),float32)
prediction = tf.nn.softmax(tf.matmul(x, W)+b)

#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降方法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

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

#結果放在布林型列表中,其中argmax返回數列中最大值所在的位置
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction, 1))
#求準確性
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

saver = tf.train.Saver()#為下面儲存做準備

with tf.Session() as sess:
    sess.run(init)
    for epoch in range (21):
        for batch in range (n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_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))

    #儲存模型
    saver.save(sess,'net/my_net.ckpt')
 

你將會在你建立的/net資料夾中看到儲存的資料檔案

使用載入儲存好的引數檢驗準確性（和沒訓練過的引數比較）

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow import float32

#載入資料，會自動通過一個指令碼下載好資料集
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

#每個批次大小以及多少批次
batch_size = 100
n_batch = mnist.train.num_examples // batch_size

#設定兩個佔位符
x = tf.placeholder(dtype=tf.float32, shape=[None, 784])
y = tf.placeholder(dtype=tf.float32, shape=[None, 10])


#建立一個簡單的神經網路

W = tf.Variable(tf.zeros([784, 10]),float32)
b = tf.Variable(tf.zeros([10]),float32)
prediction = tf.nn.softmax(tf.matmul(x, W)+b)

#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降方法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

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

#結果放在布林型列表中,其中argmax返回數列中最大值所在的位置
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction, 1))
#求準確性
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}))