Notes

Tensorflow 를 이용한 학습 모델을 저장하는 방법에는 2가지가 있다.

1. ".meta" 파일과 ".data" 파일을 나누어서 저장하는 방식

Tensorflow model을 표현하기 위해서 크게 2가지 컴포넌트(Meta Graph, Checkpoint)가 필요하다.

• Meta graph
  • .meta
    • tensorflow graph structure 에 대한 정보
    • Variables, Collection and Operations
• Checkpoint
  • A protocol buffer with a list of recent checkpoints
  • weight, biases, gradients, all the variables 값
  • .data files: training variables 값에 대한 정보; model.ckpt.data-00000-of-00001
  • .index files:**checkpoint 에 대한 정보(index)

TF 1.x 버전 tf.Session()을 통해서 모델을 저장하는 코드는 다음과 같다.

with tf.Session() as sess:
    # Initializes all the variables.
    sess.run(init_all_op)
    # Runs to logit.
    sess.run(logits)
    # Creates a saver.
    saver = tf.train.Saver()
    # Save both checkpoints and meta-graph
    saver.save(sess, 'my-save-dir/my-model-10000')            
    # Generates MetaGraphDef.
    saver.export_meta_graph('my-save-dir/my-model-10000.meta') #change this line

2. 전체 모델을 HDF5 파일 하나에 저장하는 방식

가중치, 모델 구성, 옵티마이저에 지정한 설정까지 파일 하나에 모두 포함된다.

model = create_model()

model.fit(train_images, train_labels, epochs=5)

# 전체 모델을 HDF5 파일로 저장합니다
model.save('my_model.h5')

# 가중치와 옵티마이저를 포함하여 정확히 동일한 모델을 다시 생성합니다
new_model = keras.models.load_model('my_model.h5')
new_model.summary()

고수준 API인 tf.keras 를 통해서 모델을 저장하고 로드하는 것은 이곳에 잘 정리되어 있다.

https://www.tensorflow.org/tutorials/keras/save_and_restore_models

끝.