Tensorflow实现在训练好的模型上进行测试
Tensorflow可以使用训练好的模型对新的数据进行测试，有两种方法：第一种方法是调用模型和训练在同一个py文件中，中情况比较简单；第二种是训练过程和调用模型过程分别在两个py文件中。本文将讲解第二种方法。
模型的保存
tensorflow提供可保存训练模型的接口，使用起来也不是很难，直接上代码讲解：
#网络结构
w1=tf.Variable(tf.truncated_normal([in_units,h1_units],stddev=0.1))
b1=tf.Variable(tf.zeros([h1_units]))
y=tf.nn.softmax(tf.matmul(w1,x)+b1)
tf.add_to_collection('network-output',y)
x=tf.placeholder(tf.float32,[None,in_units],name='x')
y_=tf.placeholder(tf.float32,[None,10],name='y_')
#损失函数与优化函数
cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
train_step=tf.train.AdamOptimizer(rate).minimize(cross_entropy)
saver=tf.train.Saver()
withtf.Session()assess:
sess.run(init)
saver.save(sess,"save/model.ckpt")
train_step.run({x:train_x,y_:train_y})
以上代码就完成了模型的保存，值得注意的是下面这行代码
tf.add_to_collection('network-output',y)
这行代码保存了神经网络的输出，这个在后面使用导入模型过程中起到关键作用。
模型的导入
模型训练并保存后就可以导入来评估模型在测试集上的表现，网上很多文章只用简单的四则运算来做例子，让人看的头大。还是先上代码：
withtf.Session()assess:
saver=tf.train.import_meta_graph('./model.ckpt.meta')
saver.restore(sess,'./model.ckpt')#.data文件
pred=tf.get_collection('network-output')[0]
graph=tf.get_default_graph()
x=graph.get_operation_by_name('x').outputs[0]
y_=graph.get_operation_by_name('y_').outputs[0]
y=sess.run(pred,feed_dict={x:test_x,y_:test_y})
讲解一下关键的代码，首先是pred=tf.get_collection('pred_network')[0]，这行代码获得训练过程中网络输出的“接口”，简单理解就是，通过tf.get_collection()这个方法获取了整个网络结构。获得网络结构后我们就需要喂它对应的数据y=sess.run(pred,feed_dict={x:test_x,y_:test_y})在训练过程中我们的输入是
x=tf.placeholder(tf.float32,[None,in_units],name='x') y_=tf.placeholder(tf.float32,[None,10],name='y_')
因此导入模型后所需的输入也要与之对应可使用以下代码获得：
x=graph.get_operation_by_name('x').outputs[0]
y_=graph.get_operation_by_name('y_').outputs[0]
使用模型的最后一步就是输入测试集，然后按照训练好的网络进行评估
sess.run(pred,feed_dict={x:test_x,y_:test_y})
理解下这行代码，sess.run()的函数原型为
run(fetches,feed_dict=None,options=None,run_metadata=None)
Tensorflow对feed_dict执行fetches操作，因此在导入模型后的运算就是，按照训练的网络计算测试输入的数据。
以上这篇Tensorflow实现在训练好的模型上进行测试就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。