saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'
saver = tf.train.Saver() 默认是保存默认图上的Variable数据。当然也可以指定保存那些Variable数据，tf.train.Saver([var_list])。
模型的加载
loader = tf.train.Saver()
loader.restore(sess,model_dir)
-
Saver的第一个参数是var_list用来指定需要存储或者保存哪些变量。如果不指定的话那么默认保存和加载全部的可保存的对象。
v1 = tf.Variable(..., name='v1')
v2 = tf.Variable(..., name='v2')
# Pass the variables as a dict:
saver = tf.train.Saver({'v1': v1, 'v2': v2})
# Or pass them as a list.
saver = tf.train.Saver([v1, v2])
# Passing a list is equivalent to passing a dict with the variable op names
# as keys:
saver = tf.train.Saver({v.op.name: v for v in [v1, v2]})
表示的意思是需要加载的变量是embedding
def setup_loader(self):
self.loader = tf.train.Saver(self.var_list)
def load_session(self, itr):
self.loader.restore(self.sess, self.model_name + "_weights/" + self.dataset + "/" + itr + ".ckpt")
-----------------------TransE model中的self.var_list---------------------
self.rel_emb = tf.get_variable(name="rel_emb", initializer=tf.random_uniform(shape=[self.num_rel, self.params.emb_size], minval=-sqrt_size, maxval=sqrt_size))
self.ent_emb = tf.get_variable(name="ent_emb", initializer=tf.random_uniform(shape=[self.num_ent, self.params.emb_size], minval=-sqrt_size, maxval=sqrt_size))
self.var_list = [self.rel_emb, self.ent_emb]
模型的保存
saver = tf.train.Saver(max_to_keep=0)
saver.save(self.sess, filename)
-
os.mkdir()只对路径的最后一级目录进行创建，如果前几级目录不存在，会报错！而os.makedirs()可以创建多级目录，如果路径的目录都不存在，都可以创建出来。 - 按照模型和数据集合进行分文件夹的保存。
-
max_to_keep参数：这个是用来设置保存模型的个数，默认为5，即 max_to_keep=5，保存最近的5个模型。如果想要保存模型的数量不受限制，则可以将 max_to_keep设置为None或者0，如果你只想保存最后一代的模型，则只需要将max_to_keep设置为1即可。 -
saver.save(sess,filename,global_step=step)还有最后一个参数global_step，表示保存模型名字的后缀是step。
def setup_saver(self):
self.saver = tf.train.Saver(max_to_keep=0)
def save_model(self, itr):
filename = self.model_name + "_weights/" + self.dataset + "/" + str(itr) + ".ckpt"
if not os.path.exists(os.path.dirname(filename)):
os.makedirs(os.path.dirname(filename))
self.saver.save(self.sess, filename)
例子：保存模型
# construct graph
v1 = tf.Variable([0], name='v1')
v2 = tf.Variable([0], name='v2')
# run graph
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.save(sess, 'ckp')
with tf.Session() as sess:
saver = tf.import_meta_graph('ckp.meta')
saver.restore(sess, 'ckp')
当执行Saver.saver操作的时候，在文件系统中生成如下文件：
- index：文件保存了一个不可变的表数据，记录Tensor元数据的信息，比如tensor存储在那个数据data文件中，以及在数据文件中的偏移，校验和其他信息。
- 数据(data) ：文件记录了所有变量(Variable) 的值，当restore 某个变量时，首先从索引文件中找到相应变量在哪个数据文件，然后根据索引直接获取变量的值，从而实现变量数据的恢复。
- 元文件(meta) ：保存了MetaGraphDef 的持久化数据，它包括GraphDef, SaverDef 等元数据。就是描述了图结构的信息。这也是在上例中，在调用Saver.restore 之前，得先调用tf.import_meta_graph 的真正原因；否则，缺失计算图的实例，就无法谈及恢复数据到图实例中了。
-
状态文件checkpoint：文件会记录最近一次的断点文件的前缀，根据前缀找到对应的索引和数据文件，当调用
tf.train.latest_checkpoint，可以快速找到最近一次的断点文件，此外，Checkpoint 文件也记录了所有的断点文件列表，并且文件列表按照由旧至新的时间依次排序。当训练任务时间周期非常长，断点检查将持续进行，必将导致磁盘空间被耗尽。为了避免这个问题，存在两种基本的方法：设置max_to_keep: 配置最近有效文件的最大数目，当新的断点文件生成时，且文件数目超过max_to_keep，则删除最旧的断点文件；其中，max_to_keep默认值为5，keep_checkpoint_every_n_hours: 在训练过程中每n 小时做一次断点检查，保证只有一个断点文件；其中，该选项默认是关闭的。
├── checkpoint
├── ckp.data-00000-of-00001
├── ckp.index
├── ckp.meta
网友评论