tensorflow断点续训

saver = tf.train.Saver() #用于保存神经网络结构，构造方法可以传参数，参数可以是dict和list。不传参数时默认保存所有变量 with tf.Session() as sess: tf.initialize_all_variables().run() #初始化所有变量 ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH) #获取checkpoints对象 if ckpt and ckpt.model_checkpoint_path:##判断ckpt是否为空，若不为空，才进行模型的加载，否则从头开始训练 saver.restore(sess,ckpt.model_checkpoint_path)#恢复保存的神经网络结构，实现断点续训 for i in range(TRAINING_STEPS): xs, ys = mnist.train.next_batch(BATCH_SIZE) #产生这一轮的训练数据 _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys}) if i % 1000 == 0: print("After %d training step(s), loss on training batch is %g." % (step, loss_value)) saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)#保存神经网络结构 科技之禅 认证博客专家 算法 数据分析 PyTorch 1.职位：高级算法研究员；2.主要的研究领域：语音合成、语音识别、歌声合成、强化学习；3.历史项目经历： A.ML：AI平台算子开发，B.DNN：歌声合成系统开发，C.DNN：中英语音合成算法研究以及文本正则处理，D.强化学习：AlphaGo复现象棋开发，E.知识图谱：运维机器人开发，F.工程化：AI微服务。