Question

因此，出于各种原因（例如语言独立性），我想使用tensorflow的saved_model API来保存/加载模型。我可以在训练结束时调用builder.add_meta_graph_and_variables()来保存所有内容（并成功恢复），但我没有看到任何定期保存的方法。关于此的Tensorflow文档非常稀疏，它们提供的模板代码（here）对我没有帮助：

...
builder = tf.saved_model.builder.SavedModelBuilder(export_dir)

with tf.Session(graph=tf.Graph()) as sess:
  ...
  builder.add_meta_graph_and_variables(sess,
                                  ["foo-tag"],
                                  signature_def_map=foo_signatures,
                                  assets_collection=foo_assets)
...

with tf.Session(graph=tf.Graph()) as sess:
  ...
  builder.add_meta_graph(["bar-tag", "baz-tag"])
...

builder.save()

调用builder.save()不会将新变量保存到模型中。它只是更新模型protobuf。

我错过了什么？如何保存，例如第n个纪元使用saved_model？

Answer 1

好吧，在查看张量流代码here和其他地方后，看起来答案是＆＃34;你不能＆＃34;＃34;。 SavedModelBuilder实际上只是为训练阶段之外的模型设计的，它允许您添加元图并选择要加载/保存的变量集（即TRAINING与SERVING），但这样做。例如，SavedModelBuilder.add_meta_graph_and_variables只能被调用一次，并且没有SavedModelBuilder.update_variables或类似的东西。另一方面，在训练时，您需要使用Saver类并保存检查点和相关文件。为什么没有一个统一的系统，我不知道，但显然是这样的。

Answer 2

调用builder.add_meta_graph_and_variables()时会保存变量，因为在其内部调用了saver.save()。 See here

解决方案：

只需在saver.save(sess, export_dir+'/variables/variables', write_meta_graph=False, write_state=False)之前致电builder.save()。

如何使用saved_model API定期保存tensorflow模型？

2 个答案: