Cuprins:

Cum salvezi un grafic TensorFlow?
Cum salvezi un grafic TensorFlow?

Video: Cum salvezi un grafic TensorFlow?

Video: Cum salvezi un grafic TensorFlow?
Video: TensorFlow Tutorial 10 - Saving and Loading Models 2024, Noiembrie
Anonim

Salvarea TensorFlow în/încărcarea unui grafic dintr-un fișier

  1. Salvați variabilele modelului într-un fișier punct de control (.ckpt) folosind un tf.
  2. Salvați un model într-un. pb și încărcați-l înapoi folosind tf.
  3. Încărcați într-un model de la un.
  4. Înghețați graficul pentru a salva graficul și greutățile împreună (sursă)
  5. Utilizați as_graph_def() pentru a salva modelul, iar pentru ponderi/variabile, mapați-le în constante (sursă)

În acest sens, cum salvez și refac un model TensorFlow?

La salvați și restaurați variabilele dvs., tot ce trebuie să faceți este să apelați tf. tren. Saver() la sfârșitul graficului dvs. Acest lucru va crea 3 fișiere (date, index, meta) cu un sufix al pasului dvs salvat ta model.

Alături de mai sus, ce este Pbtxt? pbtxt : Acesta deține o rețea de noduri, fiecare reprezentând o operație, conectate între ele ca intrări și ieșiri. Îl vom folosi pentru a ne îngheța graficul. Puteți deschide acest fișier și verifica dacă unele noduri lipsesc în scopul depanării. Diferență între. meta fișiere și.

Având în vedere acest lucru, cum încărcați un grafic în TensorFlow?

Salvarea TensorFlow în/încărcarea unui grafic dintr-un fișier

  1. Salvați variabilele modelului într-un fișier punct de control (.ckpt) folosind un tf.
  2. Salvați un model într-un. pb și încărcați-l înapoi folosind tf.
  3. Încărcați într-un model de la un.
  4. Înghețați graficul pentru a salva graficul și greutățile împreună (sursă)
  5. Utilizați as_graph_def() pentru a salva modelul, iar pentru ponderi/variabile, mapați-le în constante (sursă)

Ce este modelul TensorFlow?

Introducere. TensorFlow Servirea este un sistem de servire flexibil, de înaltă performanță, pentru învățarea automată modele , conceput pentru medii de producție. TensorFlow Servirea facilitează implementarea de noi algoritmi și experimente, păstrând în același timp aceeași arhitectură de server și API-uri.

Recomandat: