在训练过程中,tf.train.Saver()通常不会将权重数据保存在计算图中,反而是分开保存在checkpoint检查点文件里,当模型初始化时,通过模型文件里的变量Op节点来从checkoupoint文件读取数据并初始化变量。这种模型和权重数据分开保存的情况,在产品使用时为了恢复模型需要额外计算,所以便有了freeze_graph.py脚本文件用来将计算图和权重合二为一,减少对边缘设备的性能要求。

继续阅读

        第一次接触机器学习,训练和测试网上都有大把的教程,但是当我需要使用模型进行预测的时候,却遇到了一些麻烦,在这里就把自己的一部分总结写下来。注意这里是将训练好的神经网络拿出来进行预测(使用),而不是测试,测试可与训练在一个文件中进行,当然也可像这样载入网络和训练数据来测试。

        一般来说,TensorFlow对数据集的训练和测试都会同时进行,但是在实际中使用的时候,受限于实际使用算法的机器性能,我们不会重复进行训练,而是将TensorFlow在高性能平台训练后的模型保存下来,只在边缘设备上加载模型并进行预测,大大减少了对机器性能的需求。

继续阅读