Question

在下面的代码中，我恢复了一个经过训练的模型，名为mymodel。并获得名称为'var_x'的张量。然后我通过串联列表[3]来更改'var_x'的值。最后，我保存了新模型。

如果tf.assign将变量名设置为'var_x'，则模型newmodel中的值仍与模型mymodel中的值相同，而没有连接列表[3]。

如果tf.assign将变量名设置为'var_y'或其他但不是'var_x'，那么在恢复新模型时，我可以获得正确的'var_y'值。

sess= tf.Session() # restore trained model--mymodel
saver = tf.train.import_meta_graph('mymodel.meta')
saver.restore(sess, tf.train.latest_checkpoint(myfileDir, latest_filename = 
    'mymodel-checkpoint'))
graph = tf.get_default_graph()
x = graph.get_tensor_by_name('var_x:0')
saver1 = tf.train.Saver()
x_update=tf.concat([x,[3]]) #change variable with concatenating list
y = tf.Variable(tf.random_normal(shape=[4]), dtype = tf.float32)
tf.assign(y,x_update, name='var_x')
saver1.save(sess, 'newmodel', latest_filename='newmodel-checkpoint')

我不知道如何通过在模型newmodel的'var_x'中串联[3]来保存代码以保存更改的值。

Answer 1

tf.assign不会立即执行分配。相反，它返回一个赋值操作，您可以用一个sess.run调用来评估它。完成后，您的变量将具有x_update的值。

您可以像这样直接分配给var_x:0：

sess = tf.Session()
saver = tf.train.import_meta_graph('mymodel.meta')
saver.restore(sess, tf.train.latest_checkpoint(myfileDir, latest_filename='mymodel-checkpoint'))
graph = tf.get_default_graph()

x = graph.get_tensor_by_name('var_x:0')
new_value = tf.concat([x, [3]], axis=0)
assign_op = tf.assign(x, new_value, validate_shape=False)
sess.run(assign_op)

saver1 = tf.train.Saver()
saver1.save(sess, 'newmodel', latest_filename='newmodel-checkpoint')

关键思想是x是指var_x:0，它已经是tf.Variable。您需要在分配中使用validate_shape=False，因为您正在更改var_x的形状。

如何还原，更新和保存经过训练的模型

1 个答案: