這篇文章主要介紹導(dǎo)出python中模型參數(shù)的方法，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

在大冶等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供成都網(wǎng)站設(shè)計、成都網(wǎng)站制作、外貿(mào)網(wǎng)站建設(shè) 網(wǎng)站設(shè)計制作定制開發(fā),公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),品牌網(wǎng)站制作,網(wǎng)絡(luò)營銷推廣,外貿(mào)網(wǎng)站制作,大冶網(wǎng)站建設(shè)費用合理。

模型的保存和讀取

1.tensorflow保存和讀取模型：tf.train.Saver()     .save()

#保存模型需要用到save函數(shù)
save(
    sess,
    save_path,
    global_step=None,
    latest_filename=None,
    meta_graph_suffix='meta',
    write_meta_graph=True,
    write_state=True
)
'''
sess: 保存模型要求必須有一個加載了計算圖的會話，而且所有變量必須已被初始化。
save_path: 模型保存路徑及保存名稱
global_step: 如果提供的話，這個數(shù)字會添加到save_path后面，用于區(qū)分不同訓(xùn)練階段的結(jié)果
'''

示例：

#例子
import tensorflow as tf  
import numpy as np  
import os  
  
#用numpy產(chǎn)生數(shù)據(jù)  
x_data = np.linspace(-1,1,300)[:, np.newaxis] #轉(zhuǎn)置  
noise = np.random.normal(0,0.05, x_data.shape)  
y_data = np.square(x_data)-0.5+noise  
  
#輸入層  
x_ph = tf.placeholder(tf.float32, [None, 1])  
y_ph = tf.placeholder(tf.float32, [None, 1])  
  
#隱藏層  
w1 = tf.Variable(tf.random_normal([1,10]))  
b1 = tf.Variable(tf.zeros([1,10])+0.1)  
wx_plus_b1 = tf.matmul(x_ph, w1) + b1  
hidden = tf.nn.relu(wx_plus_b1)  
  
#輸出層  
w2 = tf.Variable(tf.random_normal([10,1]))  
b2 = tf.Variable(tf.zeros([1,1])+0.1)  
wx_plus_b2 = tf.matmul(hidden, w2) + b2  
y = wx_plus_b2  
  
#損失  
loss = tf.reduce_mean(tf.reduce_sum(tf.square(y_ph-y),reduction_indices=[1]))  
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  
  
#保存模型對象saver  
saver = tf.train.Saver()  
  
#判斷模型保存路徑是否存在，不存在就創(chuàng)建  
if not os.path.exists('tmp/'):  
    os.mkdir('tmp/')  
  
#初始化  
with tf.Session() as sess:  
    if os.path.exists('tmp/checkpoint'):         #判斷模型是否存在  
        saver.restore(sess, 'tmp/model.ckpt')    #存在就從模型中恢復(fù)變量  
    else:  
        init = tf.global_variables_initializer() #不存在就初始化變量  
        sess.run(init)  
  
    for i in range(1000):  
        _,loss_value = sess.run([train_op,loss], feed_dict={x_ph:x_data, y_ph:y_data})  
        if(i%50==0):  
            save_path = saver.save(sess, 'tmp/model.ckpt')  
            print("迭代次數(shù)：%d , 訓(xùn)練損失：%s"%(i, loss_value))

每調(diào)用一次保存操作會創(chuàng)建后3個數(shù)據(jù)文件并創(chuàng)建一個檢查點（checkpoint）文件，簡單理解就是權(quán)重等參數(shù)被保存到 .chkp.data 文件中，以字典的形式；圖和元數(shù)據(jù)被保存到 .chkp.meta 文件中，可以被 tf.train.import_meta_graph 加載到當(dāng)前默認的圖。

2.keras保存和讀取模型

model.save(filepath），同時保存model和權(quán)重的

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
# 載入數(shù)據(jù)
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
# 創(chuàng)建模型，輸入784個神經(jīng)元，輸出10個神經(jīng)元
model = Sequential([
        Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
    ])
# 定義優(yōu)化器
sgd = SGD(lr=0.2)
# 定義優(yōu)化器，loss function，訓(xùn)練過程中計算準(zhǔn)確率
model.compile(
    optimizer = sgd,
    loss = 'mse',
    metrics=['accuracy'],
)
# 訓(xùn)練模型
model.fit(x_train,y_train,batch_size=64,epochs=5)
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 保存模型
model.save('model.h6')

以上是導(dǎo)出python中模型參數(shù)的方法的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

網(wǎng)頁題目：導(dǎo)出python中模型參數(shù)的方法
網(wǎng)址分享：http://www.chinadenli.net/article36/gccspg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站內(nèi)鏈、關(guān)鍵詞優(yōu)化、用戶體驗、品牌網(wǎng)站設(shè)計、動態(tài)網(wǎng)站、網(wǎng)站營銷

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)