我们先定义一个简单的神经网络，用来训练模型，然后将模型保存下来，最后加载保存下来的模型进行检测，查看输出结果。
#模型训练和保存 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次100张照片 batch_size=100 #计算一共有多少个批次 n_batch=mnist.train.num_examples // batch_size #定义两个placeholder x=tf.placeholder(tf.float32, [None, 784]) y=tf.placeholder(tf.float32, [None, 10]) #创建一个简单的神经网络，输入层784个神经元，输出层10个神经元 W=tf.Variable(tf.zeros([784, 10])) b=tf.Variable(tf.zeros([10])) prediction=tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction)) #使用梯度下降法 trian_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init=tf.global_variables_initializer() #结果保存在一个布尔型列表中 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) saver=tf.train.Saver() with tf.Session() as sess: sess.run(init) for epoch in range(11): for batch in range(n_batch): batch_xs,batch_ys=mnist.train.next_batch(batch_size) sess.run(trian_step,feed_dict={x:batch_xs,y:batch_ys}) acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter"+str(epoch)+",Testing Accuracy "+str(acc)) #保存模型 saver.save(sess,'net/my_net.ckpt')
训练的过程
模型保存结果
#模型加载和检测
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) #每个批次100张照片 batch_size=100 #计算一共有多少个批次 n_batch=mnist.train.num_examples // batch_size #定义两个placeholder x=tf.placeholder(tf.float32, [None, 784]) y=tf.placeholder(tf.float32, [None, 10]) #创建一个简单的神经网络，输入层784个神经元，输出层10个神经元 W=tf.Variable(tf.zeros([784, 10])) b=tf.Variable(tf.zeros([10])) prediction=tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction)) #使用梯度下降法 trian_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init=tf.global_variables_initializer() #结果保存在一个布尔型列表中 correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) saver=tf.train.Saver() with tf.Session() as sess: sess.run(init) print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})) saver.restore(sess, 'net/my_net.ckpt') print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))
我们看到第一次的输出结果为0.098接近于0.01，原因是我们用的模型数据W、b为tf.zeros()接口初始化的数据，初始化都为0，所以结果都为随机猜的；
后边那一次输出的结果为0.917，这个结果就比较接近训练时候模型的输出，这里我们用的模型数据的W、b为saver.restore加载后的。
目录：
- tensorflow简介、目录
- tensorflow中的图（02-1）
- tensorflow变量的使用（02-2）
- tensorflow中的Fetch、Feed（02-3）
- tensorflow版helloworld---拟合线性函数的k和b（02-4）
- tensorflow非线性回归（03-1）
- MNIST手写数字分类simple版（03-2）
- 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
- 多层网络通过防止过拟合，增加模型的准确率（04-2）
- 修改优化器进一步提升准确率（04-3）
- 手写数字识别-卷积神经网络cnn（06-2）
- 循环神经网络rnn与长短时记忆神经网络简述（07-2）
- 循环神经网络lstm代码实现（07-3）
- tensorflow模型保存和使用08
- 下载inception v3 google训练好的模型并解压08-3
- 使用inception v3做各种图像分类识别08-4
- word2vec模型训练简单案例
- word2vec+textcnn文本分类简述及代码
