Съдържание:

Как да запазите графика на TensorFlow?
Как да запазите графика на TensorFlow?

Видео: Как да запазите графика на TensorFlow?

Видео: Как да запазите графика на TensorFlow?
Видео: Установка Tensorflow. Создание нейронной сети. FMNIST. Распознавание изображений. Python 2024, Ноември
Anonim

TensorFlow запис в/зареждане на графика от файл

  1. Запазете променливите на модела във файл на контролна точка (. ckpt), като използвате tf.
  2. Запазете модел в. pb файл и го заредете обратно с помощта на tf.
  3. Заредете в модел от.
  4. Замразете графиката, за да запазите графиката и теглата заедно (източник)
  5. Използвайте as_graph_def(), за да запазите модела, а за тегла/променливи ги съпоставете в константи (източник)

В тази връзка, как да запиша и възстановя модел TensorFlow?

Да се запазване и възстановяване вашите променливи, всичко, което трябва да направите, е да извикате tf. влак. Saver() в края на вашата графика. Това ще създаде 3 файла (данни, индекс, мета) с суфикс на стъпката, която вие запазено Вашият модел.

Освен по-горе, какво е Pbtxt? pbtxt : Това съдържа мрежа от възли, всеки от които представлява една операция, свързани един с друг като входове и изходи. Ще го използваме за замразяване на нашата графика. Можете да отворите този файл и да проверите дали някои възли липсват с цел отстраняване на грешки. Разлика между. мета файлове и.

Имайки предвид това, как зареждате графика в TensorFlow?

TensorFlow запис в/зареждане на графика от файл

  1. Запазете променливите на модела във файл на контролна точка (. ckpt), като използвате tf.
  2. Запазете модел в. pb файл и го заредете обратно с помощта на tf.
  3. Заредете в модел от.
  4. Замразете графиката, за да запазите графиката и теглата заедно (източник)
  5. Използвайте as_graph_def(), за да запазите модела, а за тегла/променливи ги съпоставете в константи (източник)

Какво представлява моделът TensorFlow?

Въведение. TensorFlow Сервирането е гъвкава, високопроизводителна система за обслужване за машинно обучение модели , предназначени за производствени среди. TensorFlow Обслужването улеснява внедряването на нови алгоритми и експерименти, като същевременно запазва същата архитектура на сървъра и API.

Препоръчано: