Tensorflow Saver（）不保存为.ckpt文件

Question

我尝试运行一个简单的程序将Tensorflow会话保存为磁盘“spikes.cpkt”。虽然在交互式程序中，系统输出显示我已成功创建该文件，但我无法在文件系统中找到该文件。

我使用的Tensorflow版本是使用Python 2的0.11rc。操作系统是Ubuntu 16.04。该程序是在Jupiter笔记本中编写和运行的。

以下是保存会话的源代码：

# Import TensorFlow and enable interactive sessions
import tensorflow as tf
sess = tf.InteractiveSession()

# Let's say we have a series data like this
raw_data = [1., 2., 8., -1., 0., 5.5, 6., 13.]
# Define a boolean vector called `spikes` to locate a sudden spike in raw data
spikes = tf.Variable([False] * len(raw_data), name='spikes')
# Don't forget to initialize the variable
spikes.initializer.run()

# The saver op will enable saving and restoring variables.
# If no dictionary is passed into the constructor, then the saver operators of all variables in the current program.
saver = tf.train.Saver()

# Loop through the data and update the spike variable when there is a significant increase
for i in range(1, len(raw_data)):
    if raw_data[i] - raw_data[i-1] > 5:
        spikes_val = spikes.eval()
        spikes_val[i] = True
        # Update the value of spikes by using the `tf.assign` function
        updater = tf.assign(spikes, spikes_val)
        # Don't forget to actually evaluate the updater, otherwise spikes will not be updated
        updater.eval()

# Save the variable to the disk
save_path = saver.save(sess, "spikes.ckpt")

# Print out where the relative file path of the saved variables
print("spikes data saved in file: %s" % save_path)

# Remember to close the session after it will no longer be used
sess.close()

系统的输出如图（1）所示：

文件系统中创建的文件如图（2）所示：

磁盘中没有名为“spikes.ckpt”的文件。

Answer 1

TensorFlow最近推出了一种新的检查点格式（Saver V2），它将检查点保存为一组带有公共前缀的文件。要创建使用旧格式的tf.train.Saver，您可以create it，如下所示：

saver = tf.train.Saver(write_version=tf.train.SaverDef.V1)

Answer 2

您只需要将变量的名称放在tf.trai.Saver

中

saver = tf.train.Saver([spikes]) 

Answer 3

我遇到了同样的问题，我正在阅读使用Tensorflow的机器学习一书，在论坛中你也可以找到使路径相对的解决方案

save_path = saver.save(sess, "./spikes.ckpt")

论坛帖子https://forums.manning.com/posts/list/41796.page

Answer 4

尝试使用绝对路径而不是相对路径。就我而言，它解决了这个问题。有点奇怪，因为像TensorFlow这样成熟的库应该支持相对路径。