Inhoudsopgave:

Hoe sla je een TensorFlow-grafiek op?
Hoe sla je een TensorFlow-grafiek op?

Video: Hoe sla je een TensorFlow-grafiek op?

Video: Hoe sla je een TensorFlow-grafiek op?
Video: Saving and Loading Models (Coding TensorFlow) 2024, November
Anonim

TensorFlow opslaan in/laden van een grafiek uit een bestand

  1. Sla de variabelen van het model op in een controlepuntbestand (.ckpt) met behulp van een tf.
  2. Sla een model op in een. pb-bestand en laad het terug met tf.
  3. Laad een model van een.
  4. Zet de grafiek stil om de grafiek en de gewichten samen op te slaan (bron)
  5. Gebruik as_graph_def() om het model op te slaan, en voor gewichten/variabelen, wijs ze toe aan constanten (bron)

Hoe kan ik in dit verband een TensorFlow-model opslaan en herstellen?

Tot opslaan en herstellen uw variabelen, hoeft u alleen maar de tf. trein. Saver() aan het einde van je grafiek. Dit zal 3 bestanden creëren (data, index, meta) met een achtervoegsel van de stap die u gered jouw model -.

Wat is naast bovenstaande Pbtxt? pbtxt : Dit bevat een netwerk van knooppunten, die elk één bewerking vertegenwoordigen, met elkaar verbonden als in- en uitgangen. We zullen het gebruiken om onze grafiek te bevriezen. U kunt dit bestand openen en controleren of er knooppunten ontbreken voor foutopsporing. Verschil tussen. metabestanden en.

Als u dit in overweging neemt, hoe laadt u een grafiek in TensorFlow?

TensorFlow opslaan in/laden van een grafiek uit een bestand

  1. Sla de variabelen van het model op in een controlepuntbestand (.ckpt) met behulp van een tf.
  2. Sla een model op in een. pb-bestand en laad het terug met tf.
  3. Laad een model van een.
  4. Zet de grafiek stil om de grafiek en de gewichten samen op te slaan (bron)
  5. Gebruik as_graph_def() om het model op te slaan, en voor gewichten/variabelen, wijs ze toe aan constanten (bron)

Wat is het TensorFlow-model?

Invoering. TensorFlow Presenteren is een flexibel, krachtig serveersysteem voor machine learning modellen , ontworpen voor productieomgevingen. TensorFlow Serveren maakt het gemakkelijk om nieuwe algoritmen en experimenten te implementeren, terwijl dezelfde serverarchitectuur en API's behouden blijven.

Aanbevolen: