Tartalomjegyzék:

Hogyan menthet el egy TensorFlow grafikont?
Hogyan menthet el egy TensorFlow grafikont?

Videó: Hogyan menthet el egy TensorFlow grafikont?

Videó: Hogyan menthet el egy TensorFlow grafikont?
Videó: Глубокое обучение с TensorFlow на GPU 2024, November
Anonim

TensorFlow grafikon mentése/betöltése fájlból

  1. Mentse el a modell változóit egy ellenőrzőpont fájlba (. ckpt) egy tf segítségével.
  2. Mentse el a modellt egy. pb fájlt, és töltse be újra a tf használatával.
  3. Töltsön be egy modellt a.
  4. A grafikon rögzítése a grafikon és a súlyok együttes mentéséhez (forrás)
  5. Az as_graph_def() használatával mentse a modellt, súlyok/változók esetén pedig képezze le őket konstansokká (forrás)

Ebben a tekintetben hogyan menthetek és állíthatok vissza egy TensorFlow modellt?

Nak nek menteni és visszaállítani a változókat, mindössze annyit kell tennie, hogy meghívja a tf-et. vonat. Saver() a grafikon végén. Ez 3 fájlt hoz létre (data, index, meta) a lépés Ön utótagjával mentett a ti modell.

A fentieken kívül mi az a Pbtxt? pbtxt : Ez a csomópontok hálózatát tartalmazza, amelyek mindegyike egy-egy műveletet képvisel, és amelyek be- és kimenetként kapcsolódnak egymáshoz. A grafikonunk rögzítésére fogjuk használni. Megnyithatja ezt a fájlt, és ellenőrizheti, hogy hiányzik-e néhány csomópont hibakeresési célból. A különbség köztük. meta fájlok és.

Ezt figyelembe véve hogyan tölthet be grafikont a TensorFlow-ba?

TensorFlow grafikon mentése/betöltése fájlból

  1. Mentse el a modell változóit egy ellenőrzőpont fájlba (. ckpt) egy tf segítségével.
  2. Mentse el a modellt egy. pb fájlt, és töltse be újra a tf használatával.
  3. Töltsön be egy modellt a.
  4. A grafikon rögzítése a grafikon és a súlyok együttes mentéséhez (forrás)
  5. Az as_graph_def() használatával mentse a modellt, súlyok/változók esetén pedig képezze le őket konstansokká (forrás)

Mi az a TensorFlow modell?

Bevezetés. TensorFlow A kiszolgálás egy rugalmas, nagy teljesítményű kiszolgálórendszer a gépi tanuláshoz modellek , gyártási környezetre tervezték. TensorFlow A kiszolgálás megkönnyíti az új algoritmusok és kísérletek telepítését, miközben megőrzi ugyanazt a szerverarchitektúrát és API-kat.

Ajánlott: