Բովանդակություն:

Ինչպե՞ս պահպանել TensorFlow գրաֆիկը:
Ինչպե՞ս պահպանել TensorFlow գրաֆիկը:

Video: Ինչպե՞ս պահպանել TensorFlow գրաֆիկը:

Video: Ինչպե՞ս պահպանել TensorFlow գրաֆիկը:
Video: Ի՞նչ է ծրագրավորումը, ի՞նչու ծրագրավորել և ինչպե՞ս սովորել ծրագրավորում։ Խորհուրդներ սկսնակներին 2024, Մայիս
Anonim

TensorFlow-ը պահում է/բեռնում է գրաֆիկը ֆայլից

  1. Պահպանեք մոդելի փոփոխականները անցակետի ֆայլում (. ckpt), օգտագործելով tf:
  2. Պահպանեք մոդելը. pb ֆայլը և նորից բեռնեք այն՝ օգտագործելով tf:
  3. Բեռնել մոդելի մեջ a.
  4. Սառեցրեք գրաֆիկը՝ գրաֆիկը և կշիռները միասին պահպանելու համար (աղբյուր)
  5. Օգտագործեք as_graph_def()՝ մոդելը պահելու համար, իսկ կշիռների/փոփոխականների համար դրանք քարտեզագրեք հաստատունների մեջ (աղբյուր)

Այս առումով, ինչպե՞ս կարող եմ պահպանել և վերականգնել TensorFlow մոդելը:

Դեպի պահպանել և վերականգնել ձեր փոփոխականները, այն ամենը, ինչ դուք պետք է անեք, այն է, որ զանգահարեք tf: գնացք. Saver() ձեր գրաֆիկի վերջում: Սա կստեղծի 3 ֆայլ (տվյալներ, ինդեքս, մետա) ձեր քայլի վերջածանցով փրկված քո մոդել.

Բացի վերևից, ինչ է Pbtxt-ը: pbtxt Սա պարունակում է հանգույցների ցանց, որոնցից յուրաքանչյուրը ներկայացնում է մեկ գործողություն, որոնք միացված են միմյանց որպես մուտքեր և ելքեր: Մենք այն կօգտագործենք մեր գրաֆիկը սառեցնելու համար: Դուք կարող եք բացել այս ֆայլը և ստուգել, թե արդյոք որոշ հանգույցներ բացակայում են վրիպազերծման նպատակով: Տարբերությունը միջև. մետա ֆայլեր և.

Հաշվի առնելով սա, ինչպե՞ս եք բեռնում գրաֆիկը TensorFlow-ում:

TensorFlow-ը պահում է/բեռնում է գրաֆիկը ֆայլից

  1. Պահպանեք մոդելի փոփոխականները անցակետի ֆայլում (. ckpt), օգտագործելով tf:
  2. Պահպանեք մոդելը. pb ֆայլը և նորից բեռնեք այն՝ օգտագործելով tf:
  3. Բեռնել մոդելի մեջ a.
  4. Սառեցրեք գրաֆիկը՝ գրաֆիկը և կշիռները միասին պահպանելու համար (աղբյուր)
  5. Օգտագործեք as_graph_def()՝ մոդելը պահելու համար, իսկ կշիռների/փոփոխականների համար դրանք քարտեզագրեք հաստատունների մեջ (աղբյուր)

Ի՞նչ է TensorFlow մոդելը:

Ներածություն: TensorFlow Սպասարկումը ճկուն, բարձր արդյունավետությամբ սպասարկման համակարգ է մեքենայական ուսուցման համար մոդելներ , նախատեսված արտադրական միջավայրերի համար։ TensorFlow Սպասարկումը հեշտացնում է նոր ալգորիթմների և փորձերի տեղակայումը, միաժամանակ պահպանելով նույն սերվերի ճարտարապետությունը և API-ները:

Խորհուրդ ենք տալիս: