張量流計算不需要再培訓

Question

我想在張量流中訓練一次模型，然後想要使用訓練好的模型來預測一些函數。在我們進入細節，讓我們定義一對夫婦的功能...

def runTF(func, inpDict): 
    sess = tf.Session() 
    init = tf.global_variables_initializer() 
    sess.run(init) 
    result = sess.run(func, feed_dict = inpDict) 
    sess.close() 
    return result 

和

def optTF(opt, res, others, inpDict, nSteps, printSteps=50): 

    os, re = [], [] 

    sess = tf.Session() 
    init = tf.global_variables_initializer() 
    sess.run(init) 

    for i in range(nSteps): 

     # First run the optimizer ... 
     sess.run(opt, feed_dict = inpDict) 

     # Save all the data you want to save 
     temp = sess.run([res] + others, feed_dict = inpDict) 
     re.append(temp[0]) 
     os.append(temp[1:]) 

     if (i%printSteps) == 0: 
      print('{:5d}'.format(i)) 

    sess.close() 

    return re, os 

下面是我在做什麼幾個步驟...

A.生成一些數據

N  = 500 
features = 2 
nSteps = 1000 

X = np.array([np.random.random(N), np.random.random(N)]) 
data = [X.T, X[0].reshape(-1, 1)] 

B.創建一個簡單的線性模型

d = tf.placeholder(shape = np.shape(data[0]), dtype = tf.float32, name='d') # input layer 
dOut = tf.placeholder(shape = np.shape(data[1]), dtype = tf.float32, name='dOut') # output layer 

W = tf.Variable( np.random.randn(features, 1), dtype = tf.float32, name='W') 
b = tf.Variable(    np.zeros((1,1)), dtype = tf.float32, name='b') 

result = tf.matmul(d, W)+b 
cost = tf.reduce_mean((dOut - result)**2) 

optimizer = tf.train.AdamOptimizer(learning_rate = 0.1).minimize(cost) 

C.讓我們運行優化器

inpDict = {d: data[0], dOut:data[1]} 
ot = optTF(optimizer, result, [W, cost], inpDict, 200, 50) 

在這裏，我已經檢查的結果，並認爲它就是我想要的。所以優化器工作正常。該模型已經優化。現在，我想用其他一些數據進行預測。所以我做...

r = runTF(result, inpDict) 

這一新的結果是不是我會從相同的訓練模型的期望。

現在，只要我呆在同一個tf.Session()，我們沒事。但是，即使在完成會話時，我也希望能夠做出預測。所以我的問題是，一旦我們在不同的會話中的一個會話中訓練它，我該如何使用模型？

請注意，整個事情是我在不同的會話中做的事情？

編輯：

我編輯了兩個函數以納入節能...

def runTF(func, inpDict, modelFile=None): 

    if modelFile is not None: 
     saver = tf.train.Saver() 

    sess = tf.Session() 

    init = tf.global_variables_initializer() 
    sess.run(init) 

    if modelFile is not None: 
     ckpt = tf.train.get_checkpoint_state(modelFile) 
     print(modelFile, ckpt) 
     if ckpt and ckpt.model_checkpoint_path: 
      saver.restore(sess, ckpt.model_checkpoint_path) 
      print('Session restored') 

    result = sess.run(func, feed_dict = inpDict) 
    sess.close() 
    return result 

和

def optTF(opt, res, others, inpDict, nSteps, printSteps=50, modelFile='models/temp.ckpt'): 

    os, re = [], [] 
    saver = tf.train.Saver() 

    sess = tf.Session() 
    init = tf.global_variables_initializer() 
    sess.run(init) 

    for i in range(nSteps): 

     # First run the optimizer ... 
     sess.run(opt, feed_dict = inpDict) 

     # Save all the data you want to save 
     temp = sess.run([res] + others, feed_dict = inpDict) 
     re.append(temp[0]) 
     os.append(temp[1:]) 

     if (i%printSteps) == 0: 
      print('{:5d}'.format(i)) 

    path = saver.save(sess, modelFile) 
    print('Model saved in: {}'.format(path)) 
    sess.close() 

    return re, os 

而且運行模型爲：

ot = optTF(optimizer, result, [cost]+weights+biases, inpDict, 200, 50) 
r = runTF([result], inpDict, 'models/temp.ckpt') 

什麼都沒有！我檢查了：

• 的ckpt值是None
• 的模型文件夾中有下列文件：
  • 關卡
  • temp.ckpt.index
  • temp.ckpt.data- 00000-of-00001
  • temp.ckpt.meta

Answer 1

您需要保存和恢復正在創建和培訓的會話。作爲

init = tf.initialize_all_variables() 
saver = tf.train.Saver() 
with tf.Session() as sess: 
    sess.run(init) 
    if restore: 
     ckpt = tf.train.get_checkpoint_state(save_path) 
     if ckpt and ckpt.model_checkpoint_path: 
      saver.restore(sess, ckpt.model_checkpoint_path) 
    else: 
     # ... training code omitted ... 
     saver.save(sess, save_path) 

，如果你想創建一個完整的模型estimator，而不是僅在一個會話結賬也https://www.tensorflow.org/programmers_guide/saved_model。