Indholdsfortegnelse:

Hvordan gemmer du en TensorFlow-graf?
Hvordan gemmer du en TensorFlow-graf?

Video: Hvordan gemmer du en TensorFlow-graf?

Video: Hvordan gemmer du en TensorFlow-graf?
Video: Что такое Tensorflow? Архитектура Tensorflow. Сессия, граф вычислений, операция, переменная, тензор. 2024, November
Anonim

TensorFlow gemmer i/indlæser en graf fra en fil

  1. Gem modellens variabler i en checkpoint-fil (. ckpt) ved hjælp af en tf.
  2. Gem en model i en. pb-fil og indlæs den igen ved hjælp af tf.
  3. Indlæs en model fra en.
  4. Frys grafen for at gemme grafen og vægtene sammen (kilde)
  5. Brug as_graph_def() til at gemme modellen, og for vægte/variabler, kortlægge dem til konstanter (kilde)

I denne forbindelse, hvordan gemmer og gendanner jeg en TensorFlow-model?

Til gem og gendan dine variabler, alt hvad du skal gøre er at kalde tf. tog. Saver() i slutningen af din graf. Dette vil oprette 3 filer (data, indeks, meta) med et suffiks af det trin du gemt din model.

Udover ovenstående, hvad er Pbtxt? pbtxt : Dette rummer et netværk af noder, der hver repræsenterer én operation, forbundet med hinanden som input og output. Vi vil bruge det til at fryse vores graf. Du kan åbne denne fil og kontrollere, om nogle noder mangler til fejlfindingsformål. Forskel mellem. metafiler og.

I betragtning af dette, hvordan indlæser du en graf i TensorFlow?

TensorFlow gemmer i/indlæser en graf fra en fil

  1. Gem modellens variabler i en checkpoint-fil (. ckpt) ved hjælp af en tf.
  2. Gem en model i en. pb-fil og indlæs den igen ved hjælp af tf.
  3. Indlæs en model fra en.
  4. Frys grafen for at gemme grafen og vægtene sammen (kilde)
  5. Brug as_graph_def() til at gemme modellen, og for vægte/variabler, kortlægge dem til konstanter (kilde)

Hvad er TensorFlow-modellen?

Introduktion. TensorFlow Serving er et fleksibelt, højtydende serveringssystem til maskinlæring modeller , designet til produktionsmiljøer. TensorFlow Servering gør det nemt at implementere nye algoritmer og eksperimenter, samtidig med at den samme serverarkitektur og API'er bevares.

Anbefalede: