Índice:

Como você salva um gráfico do TensorFlow?
Como você salva um gráfico do TensorFlow?

Vídeo: Como você salva um gráfico do TensorFlow?

Vídeo: Como você salva um gráfico do TensorFlow?
Vídeo: Saving and Loading Models (Coding TensorFlow) 2024, Novembro
Anonim

TensorFlow salvando / carregando um gráfico de um arquivo

  1. Salve as variáveis do modelo em um arquivo de ponto de verificação (.ckpt) usando um tf.
  2. Salve um modelo em um. arquivo pb e carregue-o de volta usando tf.
  3. Carregue um modelo de a.
  4. Congele o gráfico para salvar o gráfico e os pesos juntos (fonte)
  5. Use as_graph_def () para salvar o modelo, e para pesos / variáveis, mapeie-os em constantes (fonte)

Nesse sentido, como salvo e restauro um modelo do TensorFlow?

Para salvar e restaurar suas variáveis, tudo que você precisa fazer é chamar o tf. Comboio. Saver () no final do gráfico. Isso criará 3 arquivos (dados, índice, meta) com um sufixo da etapa que você salvou sua modelo.

Além do mais, o que é Pbtxt? pbtxt : Contém uma rede de nós, cada um representando uma operação, conectados uns aos outros como entradas e saídas. Vamos usá-lo para congelar nosso gráfico. Você pode abrir este arquivo e verificar se alguns nós estão faltando para fins de depuração. Diferença entre. arquivos meta e.

Considerando isso, como você carrega um gráfico no TensorFlow?

TensorFlow salvando / carregando um gráfico de um arquivo

  1. Salve as variáveis do modelo em um arquivo de ponto de verificação (.ckpt) usando um tf.
  2. Salve um modelo em um. arquivo pb e carregue-o de volta usando tf.
  3. Carregue um modelo de a.
  4. Congele o gráfico para salvar o gráfico e os pesos juntos (fonte)
  5. Use as_graph_def () para salvar o modelo, e para pesos / variáveis, mapeie-os em constantes (fonte)

O que é o modelo TensorFlow?

Introdução. TensorFlow Servir é um sistema de veiculação flexível e de alto desempenho para aprendizado de máquina modelos , projetado para ambientes de produção. TensorFlow O serviço facilita a implantação de novos algoritmos e experimentos, enquanto mantém a mesma arquitetura de servidor e APIs.

Recomendado: