在深度學(xué)習(xí)實(shí)踐中,，我們通常要先搭建好模型如何經(jīng)過(guò)長(zhǎng)時(shí)間的訓(xùn)練才能使用,。那么，對(duì)于訓(xùn)練好的模型,，我們自然想把它保存起來(lái)以便調(diào)用。曾經(jīng),，我寫(xiě)過(guò)一個(gè)比較大的深度學(xué)習(xí)模型,，由于每次迭代需要長(zhǎng)達(dá)1-2個(gè)小時(shí),，并且用的是nohup在服務(wù)器后臺(tái)上運(yùn)行，但是鑒于nohup有時(shí)會(huì)不穩(wěn)定,，因此我的后臺(tái)程序隨時(shí)可能會(huì)被kill掉,，于是我就寫(xiě)了一個(gè)定時(shí)的模型保存程序，即每隔一定的時(shí)間就讓其自動(dòng)保存模型到磁盤(pán)文件中去,，這樣就可以保證即使程序遭到了不可抗拒的終止時(shí),，也不會(huì)落得前功盡棄的后果。由此可以看出,，模型的自動(dòng)保存是十分重要的,。

在Tensorflow中，保存模型最簡(jiǎn)單的方法是使用tf.train.Saver對(duì)象,，當(dāng)我們構(gòu)造了一個(gè)Saver對(duì)象以后,，調(diào)用該對(duì)象的save方法即可將我們指定會(huì)話(huà)中的Tensorflow Graph模型保存到磁盤(pán)文件中去；而另一方面,，我們可以調(diào)用對(duì)象的restore方法從磁盤(pán)中讀取Tensorflow Graph模型,。

例如，下面是一個(gè)保存模型的示例用法：

l# Create some variables.

v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name='v2')...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()

# Add ops to save and restore all the variables.

saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, save the# variables to disk.

with tf.Session() as sess:    sess.run(init_op)  
   # Do some work with the model.    ..  
   # Save the variables to disk.    save_path = saver.save(sess, '/tmp/model.ckpt')    print('Model saved in file: %s' % save_path)


下面是導(dǎo)入模型的方法：

# Create some variables.

v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name='v2')...
# Add ops to save and restore all the variables.

saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and# do some work with the model.

with tf.Session() as sess:  
   # Restore variables from disk.    saver.restore(sess, '/tmp/model.ckpt')    print('Model restored.')  
   # Do some work with the model    ...

除此之外,，Saver對(duì)象還可以自定義保存變量,，即指定保存Graph中的某些變量。有了tf.train.Saver對(duì)象,，再也不用擔(dān)心訓(xùn)練好的模型丟失了,！

題圖：梵高《羅納河上的星空》。