關于模型保存的一點心得

saver = tf.train.Saver(max_to_keep=3)

在定義 saver 的時候一般會定義最多保存模型的數量，一般來說，如果模型本身很大，我們需要考慮到硬盤大小。如果你需要在當前訓練好的模型的基礎上進行 fine-tune，那么盡可能多的保存模型，后繼 fine-tune 不一定從最好的 ckpt 進行，因為有可能一下子就過擬合了。但是如果保存太多，硬盤也有壓力呀。如果只想保留最好的模型，方法就是每次迭代到一定步數就在驗證集上計算一次 accuracy 或者 f1 值，如果本次結果比上次好才保存新的模型，否則沒必要保存。

如果你想用不同 epoch 保存下來的模型進行融合的話，3到5 個模型已經足夠了，假設這各融合的模型成為 M，而最好的一個單模型稱為 m_best, 這樣融合的話對于M 確實可以比 m_best 更好。但是如果拿這個模型和其他結構的模型再做融合的話，M 的效果并沒有 m_best 好，因為M 相當于做了平均操作，減少了該模型的“特性”。

但是又有一種新的融合方式，就是利用調整學習率來獲取多個局部最優點，就是當 loss 降不下了，保存一個 ckpt， 然后開大學習率繼續尋找下一個局部最優點，然后用這些 ckpt 來做融合，還沒試過，單模型肯定是有提高的，就是不知道還會不會出現上面再與其他模型融合就沒提高的情況。

如何使用 tf.train.Saver() 來保存模型

之前一直出錯，主要是因為坑爹的編碼問題。所以要注意文件的路徑絕對不不要出現什么中文呀。

import tensorflow as tfconfig = tf.ConfigProto()config.gpu_options.allow_growth = Truesess = tf.Session(config=config)# Create some variables.v1 = tf.Variable([1.0, 2.3], name="v1")v2 = tf.Variable(55.5, name="v2")# Add an op to initialize the variables.init_op = tf.global_variables_initializer()# Add ops to save and restore all the variables.saver = tf.train.Saver()ckpt_path = './ckpt/test-model.ckpt'# Later, launch the model, initialize the variables, do some work, save the# variables to disk.sess.run(init_op)save_path = saver.save(sess, ckpt_path, global_step=1)print("Model saved in file: %s" % save_path)

Model saved in file: ./ckpt/test-model.ckpt-1

注意，在上面保存完了模型之后。應該把 kernel restart 之后才能使用下面的模型導入。否則會因為兩次命名 “v1” 而導致名字錯誤。

import tensorflow as tfconfig = tf.ConfigProto()config.gpu_options.allow_growth = Truesess = tf.Session(config=config)# Create some variables.v1 = tf.Variable([11.0, 16.3], name="v1")v2 = tf.Variable(33.5, name="v2")# Add ops to save and restore all the variables.saver = tf.train.Saver()# Later, launch the model, use the saver to restore variables from disk, and# do some work with the model.# Restore variables from disk.ckpt_path = './ckpt/test-model.ckpt'saver.restore(sess, ckpt_path + '-'+ str(1))print("Model restored.")print sess.run(v1)print sess.run(v2)