tensorflow 训练网络并保存为函数答案

【问题标题】：tensorflow train a network and save as a functiontensorflow 训练网络并保存为函数
【发布时间】：2019-07-13 08:30:39
【问题描述】：

我想训练一个网络，然后将该网络用作特征提取器；所以我想像一个函数一样保存这个。

我知道如何保存经过训练的模型并重用模型 I，但我想将此经过训练的模型用作我的新图表的一部分，就像函数一样，请参见下面的结构。

我想我可能需要将新图附加到旧模型图并修复旧模型的参数。谁能给我一些关于如何做到这一点的想法？谢谢。

# define a graph and train a model called mdl in a session
# this mdl will be fixed used in the new graph 

# start a new graph
cae_in = tf.placeholder(tf.float32,(None,a,b,1))
cae_out = tf.placeholder(tf.float32,(None,a,b,1))

# use this model to process my input
loss = mdl(cae_in) - cae_out


with tf.Session() as sess:
  # run this sess

【问题讨论】：

标签： python tensorflow deep-learning

【解决方案1】：

我认为可以按照以下步骤操作：

您可能可以创建具有所需层和超参数的 TF 或 Keras 模型。我坚持使用 TF Keras，因为它可以将模型保存为单个 .h5 文件。
保存模型后，创建一个名为 mdl 的新类，甚至是一个方法。
在此方法中加载模型并将输入（作为方法的参数给出）提供给模型。
进行推理、处理和重塑，然后从方法返回输出。

因此，您可以将模型封装在方法或类中。

【讨论】：