8.1 實驗介紹8.1.1 關于本實驗本實驗主要介紹如何保存模型和使用保存的模型，一般而言，訓練好的模型都需要保存。8.1.2 實驗目的理解如何保存模型。

理解如何載入模型，并使用。8.1.3 實驗介紹本實驗主要是基于前面的實驗添加模型的保存及載入功能。在文件中生成模擬數據之后，加入對圖變量的充值，在 session 創建之前定義 saver 及保存路徑，在 session 種訓練結束后，保存模型。8.1.4 實驗步驟步驟 1  登陸華為云。

步驟 2 點擊右上方的控制臺。

步驟 3 選擇彈性云服務器，網頁中會顯示該彈性云的可進行的操作，選擇遠程登錄。即登錄到彈性云服務器。

步驟 4 輸入指令 ll，查看當前目錄下的文件。

步驟 5 輸入命令 vi mnist_train.py，創建新的 Python 腳本。

步驟 6 輸入命令 i,進入編輯模式開始編輯，輸入腳本內容。

步驟 7 輸入命令 :wq!,保存并退出。

步驟 8 輸入命令 cat mnist_train.py 查看代碼。

步驟 9 運行測試。輸入命令 python3 mnist_train.py。

8.2 實驗過程8.2.1 導入數據集# -*- coding: utf-8 -*- #!/usr/bin/env python

# 導入 mnist 數據庫

from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf import os8.2.2 定義變量# 定義輸入變量

x = tf.placeholder(tf.float32, [None, 784])

# 定義參數

W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10]))

# 定義激勵函數

y = tf.nn.softmax(tf.matmul(x, W) + b)

# 定義輸出變量

y_ = tf.placeholder(tf.float32, [None, 10])

# 定義成本函數

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# 定義優化函數

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)8.2.3 初始化# 初始化變量

init = tf.global_variables_initializer()

# 定義會話

sess = tf.Session()8.2.4 運行 session# 運行初始化

sess.run(init)

# 定義模型保存對象

saver = tf.train.Saver()

# 循環訓練 1000 次

for i in range(1000):

batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys})

print("訓練完成！")8.2.5 創建模型保存目錄# 創建模型保存目錄

model_dir = "mnist_model" model_name = "ckp"

if not os.path.exists(model_dir): os.mkdir(model_dir)8.2.6 保存模型# 保存模型

saver.save(sess, os.path.join(model_dir, model_name))

print("保存模型成功！")8.2.7 實驗結果訓練完成！

保存模型成功！

8.3 使用模型8.3.1 導入數據集# -*- coding: utf-8 -*- #!/usr/bin/env python

# 導入 mnist 數據庫

from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

import tensorflow as tf8.3.2 創建回話# 創建會話

sess = tf.Session()

8.3.3 定義變量# 定義輸入變量

x = tf.placeholder(tf.float32, [None, 784])

# 定義參數

W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10]))

# 定義模型和激勵函數

y = tf.nn.softmax(tf.matmul(x, W) + b)

# 定義模型保存對象

saver = tf.train.Saver([W, b])8.3.4 恢復模型# 恢復模型

saver.restore(sess, "mnist/ckp")

print("恢復模型成功！")

# 取出一個測試圖片

idx=0

img = mnist.test.images[idx]8.3.5 計算結果# 根據模型計算結果

ret = sess.run(y, feed_dict = {x : img.reshape(1, 784)})

print("計算模型結果成功！")

# 顯示測試結果

print("預測結果:%d"%(ret.argmax()))

print("實際結果:%d"%(mnist.test.labels[idx].argmax()))8.3.6 實驗結果恢復模型成功！

計算模型結果成功！ 預測結果:7

實際結果:7

8.4 實例描述

本實驗主要是保存以后模型，方便后續的模型載入與使用，這里輸出的是中間狀態 cost 損