tensorflow 保存训练模型ckpt 查看ckpt文件中的变量名和对应值

可以使用 TensorFlow 自带的工具 `inspect_checkpoint.py` 来查看 ckpt 文件中的变量名和对应值。

具体操作步骤如下：

1. 打开命令行终端，进入到包含 ckpt 文件的目录下。
2. 输入以下命令，查看 ckpt 文件中的所有变量名：

   python -m tensorflow.python.tools.inspect_checkpoint --file_name=model.ckpt

其中，`model.ckpt` 是你保存的 ckpt 文件名，根据自己的实际情况修改。

3. 输入以下命令，查看 ckpt 文件中指定变量名的值：

   python -c "import tensorflow as tf; print(tf.train.load_variable('model.ckpt', 'variable_name'))"

其中，`model.ckpt` 是你保存的 ckpt 文件名，`variable_name` 是你要查看的变量名，根据自己的实际情况修改。

运行命令后，会显示出指定变量名的值。

相关问题

tensorflow保存训练模型的函数

TensorFlow提供了两种保存训练模型的方式：

1. 使用Saver类来保存模型的参数变量，这种方式保存的是计算图的结构和参数变量的取值，可以在后续的程序中加载模型并继续训练或者使用模型进行预测。

import tensorflow as tf

# 定义计算图
x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
y = tf.placeholder(tf.float32, shape=[None, 10], name='y')
W = tf.Variable(tf.zeros([784, 10]), name='W')
b = tf.Variable(tf.zeros([10]), name='b')
y_ = tf.nn.softmax(tf.matmul(x, W) + b, name='y_')
cross_entropy = -tf.reduce_sum(y * tf.log(y_), name='cross_entropy')
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 创建Saver对象
saver = tf.train.Saver()

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
    
    # 保存模型
    saver.save(sess, 'model/model.ckpt')

2. 使用SavedModelBuilder类来保存模型的计算图和变量，这种方式保存的是计算图的结构、变量的取值以及计算图中的元数据，可以在后续的程序中加载模型并直接使用。

import tensorflow as tf

# 定义计算图
x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
y = tf.placeholder(tf.float32, shape=[None, 10], name='y')
W = tf.Variable(tf.zeros([784, 10]), name='W')
b = tf.Variable(tf.zeros([10]), name='b')
y_ = tf.nn.softmax(tf.matmul(x, W) + b, name='y_')
cross_entropy = -tf.reduce_sum(y * tf.log(y_), name='cross_entropy')
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 创建SavedModelBuilder对象
builder = tf.saved_model.builder.SavedModelBuilder('model')

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
    
    # 构建模型
    tensor_info_x = tf.saved_model.utils.build_tensor_info(x)
    tensor_info_y_ = tf.saved_model.utils.build_tensor_info(y_)
    prediction_signature = tf.saved_model.signature_def_utils.build_signature_def(
        inputs={'images': tensor_info_x},
        outputs={'scores': tensor_info_y_},
        method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)
    builder.add_meta_graph_and_variables(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        signature_def_map={
            tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: prediction_signature
        },
        main_op=tf.tables_initializer(),
        strip_default_attrs=True)
    
    # 保存模型
    builder.save()

保存tensorflow预训练模型

要保存TensorFlow预训练模型，可以使用TensorFlow的Saver类。以下是一个例子：

首先，定义模型并训练它：

import tensorflow as tf

# 定义模型
input_data = tf.placeholder(tf.float32, [None, 784], name='input_data')
hidden_layer = tf.layers.dense(input_data, 256, activation=tf.nn.relu)
output = tf.layers.dense(hidden_layer, 10)

# 定义损失函数和优化器
label = tf.placeholder(tf.float32, [None, 10], name='label')
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=output, labels=label))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={input_data: batch_xs, label: batch_ys})

然后，在训练完成后，使用Saver类保存模型：

# 创建Saver对象
saver = tf.train.Saver()

# 保存模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={input_data: batch_xs, label: batch_ys})
    saver.save(sess, 'model.ckpt')

这将保存当前会话的所有变量到名为“model.ckpt”的文件中。要加载模型，请使用Saver类的restore方法：

# 加载模型
with tf.Session() as sess:
    saver.restore(sess, 'model.ckpt')
    # 运行模型...

在加载模型之前，必须先定义完全相同的模型结构。然后，使用Saver对象的restore方法从文件中恢复变量。