如何保存和恢复在 TensorFlow python 中训练的 DNNClassifier；虹膜示例答案

【问题标题】：How to save&restore DNNClassifier trained in TensorFlow python; iris example如何保存和恢复在 TensorFlow python 中训练的 DNNClassifier；虹膜示例
【发布时间】：2016-07-13 17:42:09
【问题描述】：

我是 TensorFlow 新手，前几天刚开始学习。我已经完成了本教程（https://www.tensorflow.org/versions/r0.9/tutorials/tflearn/index.html#tf-contrib-learn-quickstart）并将完全相同的想法应用于我自己的数据集。（结果非常好！）

现在我想保存和恢复经过训练的 DNNClassifier 以供进一步使用。如果有人知道怎么做，请使用上面链接中的 iris 示例代码告诉我。提前感谢您的帮助！

【问题讨论】：

标签： python tensorflow

【解决方案1】：

找到解决方案了吗？如果您没有这样做，您可以在创建 DNNClassifier 时在构造函数中指定 model_dir 参数，这将在此目录中创建所有检查点和文件（保存步骤）。当您想要执行恢复步骤时，您只需创建另一个 DNNClassifier 传递相同的 model_dir 参数（恢复阶段），这将从第一次创建的文件中恢复模型。

希望对你有所帮助。

【讨论】：

很抱歉延迟回复您的第一条评论...非常感谢您的帮助！！！我今天会试试的！我只尝试在初始化中使用 model_dir，但调用了 restore 函数来加载训练有素的分类器。它抱怨 model.def 丢失，但您的建议不是调用 restore 函数，而是通过将 model_dir 的路径设置正确来使用其构造函数初始化 DNNClassifier？
是的，没错，您在 DNNclassifier 的构造函数中使用了 model_dir 参数，这会保存模型，为了恢复，您只需创建另一个具有相同 model_dir 的 DNNClassifier，它将读取生成的文件
您的解决方案真的有效吗？我收到以下错误：ValueError：应定义 linear_feature_columns 或 dnn_feature_columns。
抱歉，我不确定如何在此处放置我的代码，因此将其发布为下面的新答案。请看一下！我将 v9.0 TensorFlow 与 Python 2.7 一起使用。非常感谢！
哦，我想我看到了你的问题，tensorflow 中有一个错误，尽管你有这个 model_dir 参数来恢复你的模型，但它不能立即使用，所以你必须至少做一些“ dummy” 恢复后的训练，这意味着你必须再次运行“fit”至少一步：classifier.fit(x=x_train, y=y_train, steps=2);这将获取您保存的模型，并执行“虚拟”训练，以便再次使用它。

【解决方案2】：

下面是我的代码...

import tensorflow as tf
import numpy as np

if __name__ == '__main__':
# Data sets
IRIS_TRAINING = "iris_training.csv"
IRIS_TEST = "iris_test.csv"

# Load datasets.
training_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TRAINING, target_dtype=np.int)
test_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TEST, target_dtype=np.int)

x_train, x_test, y_train, y_test = training_set.data, test_set.data, training_set.target, test_set.target

# Build 3 layer DNN with 10, 20, 10 units respectively.
classifier = tf.contrib.learn.DNNClassifier(hidden_units=[10, 20, 10], n_classes=3, model_dir="path_to_my_local_dir")

# print classifier.model_dir

# Fit model.
print "start fitting model..."
classifier.fit(x=x_train, y=y_train, steps=200)
print "finished fitting model!!!"

# Evaluate accuracy.
accuracy_score = classifier.evaluate(x=x_test, y=y_test)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))

#Classify two new flower samples.
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)
y = classifier.predict_proba(new_samples)
print ('Predictions: {}'.format(str(y)))

#---------------------------------------------------------------------------------
#model_dir below has to be the same as the previously specified path!
new_classifier = tf.contrib.learn.DNNClassifier(hidden_units=[10, 20, 10], n_classes=3, model_dir="path_to_my_local_dir")
accuracy_score = new_classifier.evaluate(x=x_test, y=y_test)["accuracy"]
print('Accuracy: {0:f}'.format(accuracy_score))
new_samples = np.array(
    [[6.4, 3.2, 4.5, 1.5], [5.8, 3.1, 5.0, 1.7]], dtype=float)
y = classifier.predict_proba(new_samples)
print ('Predictions: {}'.format(str(y)))

【讨论】：

这段代码真的是你自己问题的答案吗？如果它只是显示您的问题，那么请将其包含在问题中。