恢復訓練後的張量流模型，編輯與節點相關聯的值並保存它

我已經訓練了一個帶有tensorflow的模型並在訓練過程中使用了批量規範化。批量規範化要求用戶傳遞一個布爾值，稱爲is_training，以設置模型是處於訓練階段還是測試階段。恢復訓練後的張量流模型，編輯與節點相關聯的值並保存它

當模型進行訓練，如下圖所示

is_training = tf.constant(True, dtype=tf.bool, name='is_training')

我已經保存了訓練模型is_training被設置爲常數，這些文件包括檢查點，.META文件，文件的.index和。數據。我想恢復模型並使用它進行推理。該模型不能被重新訓練。因此，我想恢復現有模型，將is_training的值設置爲False，然後將模型保存回來。如何編輯與該節點關聯的布爾值，並再次保存模型？

來源

2017-08-17 dpk

，如果使用它本來就容易'is_training = tf.Variable..'而不是恆定的 –

有爲什麼'is_training'需要一個tensorflow常數的原因是什麼？它不能是一個Python布爾？請注意，將'is_training'更改爲python bool不應在恢復模型時發生錯誤。 – GeertH

@GeertH它可能是，問題是我加載模型後如何將'is_training'設置爲'False'，然後將其保存回來。因此，當它再次恢復時，節點的值爲「False」。 – dpk

您可以使用tf.train.import_meta_graph的參數input_map將圖張量重新映射到更新的值。

config = tf.ConfigProto(allow_soft_placement=True) 
with tf.Session(config=config) as sess: 
    # define the new is_training tensor 
    is_training = tf.constant(False, dtype=tf.bool, name='is_training') 

    # now import the graph using the .meta file of the checkpoint 
    saver = tf.train.import_meta_graph(
    '/path/to/model.meta', input_map={'is_training:0':is_training}) 

    # restore all weights using the model checkpoint 
    saver.restore(sess, '/path/to/model') 

    # save updated graph and variables values 
    saver.save(sess, '/path/to/new-model-name')

來源

2017-08-17 16:38:56

如果使用了input_map，上面的代碼會拋出一個錯誤'ValueError：tf.import_graph_def（）需要一個非空名稱' – dpk

我已經使用'tensorflow == 1.2.0'測試了這段代碼，希望它有幫助;也不是'tf.import_graph_def'。看我的代碼。 –

我試過你的代碼，錯誤是這條線拋出的，'saver = tf.train.import_meta_graph（r'D：\ code \ iprings \ k-fold-model \ VanillaCNN_24.0000.meta'，input_map = {'is_training'：is_training}）' – dpk

恢復訓練後的張量流模型，編輯與節點相關聯的值並保存它

回答

相關問題