前言

每次訓練模型十分的浪費時間，所以我們今天就來介紹怎麼儲存我們訓練好的模型吧。

程式開始

（1）記錄模型：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import numpy as np
from time import time
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

x=tf.placeholder("float",[None , 784])

W = tf.Variable(tf.random_normal([784,1000]))
b = tf.Variable(tf.random_normal([1,1000]))
XWb =tf.matmul(x,W) + b
XWb=tf.nn.relu(XWb)

W1 = tf.Variable(tf.random_normal([1000,10]))
b1 = tf.Variable(tf.random_normal([1,10]))
XWb1 =tf.matmul(XWb,W1) + b1

#h1=layer(out_dim=1000,in_dim=784,inputs=x, activation=tf.nn.relu)
#y=layer(out_dim=10,in_dim=1000,inputs=h1,activation=None)

y_label=tf.placeholder("float",[None,10])

loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=XWb1,labels=y_label))

optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

correct_prediction = tf.equal(tf.argmax(y_label , 1), tf.argmax(XWb1,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction , "float"))

train = 15
batchSize= 110
total= 500
loss_list=[];epoch_list=[];accuracy_list=[]
starttime=time()
sess=tf.Session()
sess.run(tf.global_variables_initializer())

for epoch in range(train):
    for i in range(total):
        batch_x,batch_y=mnist.train.next_batch(batchSize)
        sess.run(optimizer,feed_dict={x:batch_x , y_label:batch_y})
    loss1,acc=sess.run([loss,accuracy], feed_dict={x:mnist.validation.images, y_label:mnist.validation.labels})
    epoch_list.append(epoch)
    loss_list.append(loss1)
    accuracy_list.append(acc)
    print("Train Epoch:",'%02d' % (epoch+1),"loss=","{:.9f}".format(loss1)," accuracy=",acc)
duration = time()-starttime
print("train finished takes:",duration)

plt.plot(epoch_list,accuracy_list,label="accuracy")
fig =plt.gcf()
fig.set_size_inches(4,2)
plt.ylim(0.8,1)
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend()
plt.show()

def plot_images_labels(images,labels,prediction,idx,num=10):
    fig=plt.gcf()
    fig.set_size_inches(12,14)
    if num>25:
        num=25
    for i in range(0,num):
        ax=plt.subplot(5,5,1+i)
        ax.imshow(np.reshape(images[idx],(28,28)), cmap='binary')
        title="label=" +str(np.argmax(labels[idx]))
        if len(prediction)>0:
            title+=",predict="+str(prediction[idx])
        ax.set_title(title,fontsize=10)
        ax.set_xticks([])
        ax.set_yticks([])
        idx=idx+1
    plt.show()

說明：

以上跟DAY19-20的程式碼一樣，只是把他攤開而已，因為筆者使用副程式的方式建立變量，執行中遇到很多錯誤，這部份筆者還在研究，所以我們先使用可以使用的方法解決。

以下是需要新增的部份

saver = tf.train.Saver()
saver.save(sess,"./model.ckp")

說明：
第1行：呼叫內建的tf.train.Saver函式
第2行：儲存目前會談，後面是放你想存的地點及檔名。

（2）載入模型：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import numpy as np
from time import time

def plot_images_labels(images,labels,prediction,idx,num=10):
    fig=plt.gcf()
    fig.set_size_inches(12,14)
    if num>25:
        num=25
    for i in range(0,num):
        ax=plt.subplot(5,5,1+i)
        ax.imshow(np.reshape(images[idx],(28,28)), cmap='binary')
        title="label=" +str(np.argmax(labels[idx]))
        if len(prediction)>0:
            title+=",predict="+str(prediction[idx])
        ax.set_title(title,fontsize=10)
        ax.set_xticks([])
        ax.set_yticks([])
        idx=idx+1
    plt.show()
 
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
x=tf.placeholder("float",[None , 784])
W = tf.Variable(tf.random_normal([784,1000]))
b = tf.Variable(tf.random_normal([1,1000]))
XWb =tf.matmul(x,W) + b
XWb=tf.nn.relu(XWb)
W1 = tf.Variable(tf.random_normal([1000,10]))
b1 = tf.Variable(tf.random_normal([1,10]))
XWb1 =tf.matmul(XWb,W1) + b1
y_label=tf.placeholder("float",[None,10])
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=XWb1,labels=y_label))
optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y_label , 1), tf.argmax(XWb1,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction , "float"))

說明：

以上跟DAY19-20的程式碼一樣，只是把他攤開並只留下定義模型的部份。

以下為新增部份：

saver = tf.train.Saver([W,W1,b,b1])
sess=tf.Session()
saver.restore(sess,"./model.ckp")

prediction=sess.run(tf.argmax(XWb1,1),feed_dict={x:mnist.test.images})

plot_images_labels(mnist.test.images,mnist.test.labels,prediction,10)

說明：
第1行：載入變量
第2行：宣告會談
第3行：載入儲存的模型
第5-8行：跟之前一樣，進行預測

結語

到了這邊，就可以使用之前訓練好的模型了，對於某些很大的模型，以及電腦效能比較差的人來說，十分的方便，而文章中遇到的問題，筆者會慢慢的去嘗試並且解決的，今天的文章就先到這邊。