我们通常采用tensorflow来训练，训练完之后应当保存模型,即保存模型的记忆（权重和偏置），这样就可以来进行人脸识别或语音识别了。
1.模型的保存
# 声明两个变量
v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
init_op = tf.global_variables_initializer() # 初始化全部变量
saver = tf.train.Saver() # 声明tf.train.Saver类用于保存模型
with tf.Session() as sess:
sess.run(init_op)
print("v1:", sess.run(v1)) # 打印v1、v2的值一会读取之后对比
print("v2:", sess.run(v2))
#定义保存路径，一定要是绝对路径，且用‘/ '分隔父目录与子目录
saver_path = saver.save(sess, "C:/Users/Administrator/Desktop/tt/model.ckpt") # 将模型保存到save/model.ckpt文件
print("Model saved in file:", saver_path)
2.模型的读取
直接读取模型时，可能会报错，我是用Spyder编译的，可以把Spyder关掉，再重新打开，就可以读取数据了。原因可能是：在模型保存时将变量初始化了。
import tensorflow as tf
# 使用和保存模型代码中一样的方式来声明变量
v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
saver = tf.train.Saver() # 声明tf.train.Saver类用于保存模型
with tf.Session() as sess:
saver.restore(sess, "C:/Users/Administrator/Desktop/tt/model.ckpt") # 即将固化到硬盘中的Session从保存路径再读取出来
print("v1:", sess.run(v1)) # 打印v1、v2的值和之前的进行对比
print("v2:", sess.run(v2))
print("Model Restored")
以上这篇对tensorflow 的模型保存和调用实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
