Tabla de contenido:

¿Cómo se guarda un gráfico de TensorFlow?
¿Cómo se guarda un gráfico de TensorFlow?

Video: ¿Cómo se guarda un gráfico de TensorFlow?

Video: ¿Cómo se guarda un gráfico de TensorFlow?
Video: Guardar gráficas en JPG | Ciclo For en Gráficas │Python │Matplotlib│¡Muy fácil! 2024, Mayo
Anonim

TensorFlow guardando / cargando un gráfico desde un archivo

  1. Guarde las variables del modelo en un archivo de punto de control (. Ckpt) usando un tf.
  2. Guarde un modelo en un archivo. pb y cárguelo de nuevo usando tf.
  3. Cargue un modelo de a.
  4. Congele el gráfico para guardar el gráfico y los pesos juntos (fuente)
  5. Use as_graph_def () para guardar el modelo, y para pesos / variables, mapearlos en constantes (fuente)

En este sentido, ¿cómo guardo y restauro un modelo de TensorFlow?

Para guardar y restaurar sus variables, todo lo que necesita hacer es llamar a tf. tren. Saver () al final de su gráfico. Esto creará 3 archivos (datos, índice, meta) con un sufijo del paso que salvado tu modelo.

Además de arriba, ¿qué es Pbtxt? pbtxt : Contiene una red de nodos, cada uno de los cuales representa una operación, conectados entre sí como entradas y salidas. Lo usaremos para congelar nuestro gráfico. Puede abrir este archivo y verificar si faltan algunos nodos para fines de depuración. Diferencia entre. archivos meta y.

Teniendo esto en cuenta, ¿cómo se carga un gráfico en TensorFlow?

TensorFlow guardando / cargando un gráfico desde un archivo

  1. Guarde las variables del modelo en un archivo de punto de control (. Ckpt) usando un tf.
  2. Guarde un modelo en un archivo. pb y cárguelo de nuevo usando tf.
  3. Cargue un modelo de a.
  4. Congele el gráfico para guardar el gráfico y los pesos juntos (fuente)
  5. Use as_graph_def () para guardar el modelo, y para pesos / variables, mapearlos en constantes (fuente)

¿Qué es el modelo TensorFlow?

Introducción. TensorFlow La publicación es un sistema de publicación flexible y de alto rendimiento para el aprendizaje automático. modelos , diseñado para entornos de producción. TensorFlow Serving facilita la implementación de nuevos algoritmos y experimentos, mientras se mantiene la misma arquitectura de servidor y API.

Recomendado: