tensorflow--模型的保存和提取

参考：

TensorFlow：保存和提取模型
最全Tensorflow模型保存和提取的方法——附实例

模型的保存会覆盖，后一次保存的模型会覆盖上一次保存的模型。最多保存近5次结果。
应当保存效果最优时候的模型，而不是训练最后一次的模型。所以应该在每次进行模型性能评估后与保存的目前最后效果比较，如果性能更好则进行模型的保存。
模型的复用，当你想用别的性能评估指标的时候，不需要再次训练模型来获得指标值，可以提取最优模型直接计算新指标的值。

sess=tf.InteractiveSession()  
sess.run(tf.global_variables_initializer())is_train=False
saver=tf.train.Saver(max_to_keep=3)#训练阶段
if is_train:max_acc=0f=open('ckpt/acc.txt','w')for i in range(100):batch_xs, batch_ys = mnist.train.next_batch(100)sess.run(train_op, feed_dict={x: batch_xs, y_: batch_ys})val_loss,val_acc=sess.run([loss,acc], feed_dict={x: mnist.test.images, y_: mnist.test.labels})print('epoch:%d, val_loss:%f, val_acc:%f'%(i,val_loss,val_acc))f.write(str(i+1)+', val_acc: '+str(val_acc)+'\n')if val_acc>max_acc:max_acc=val_accsaver.save(sess,'ckpt/mnist.ckpt',global_step=i+1)f.close()#验证阶段
else:model_file=tf.train.latest_checkpoint('ckpt/')saver.restore(sess,model_file)val_loss,val_acc=sess.run([loss,acc], feed_dict={x: mnist.test.images, y_: mnist.test.labels})print('val_loss:%f, val_acc:%f'%(val_loss,val_acc))
sess.close()

实操：

说明：

Social Attentional Memory Network 是一个推荐系统的模型，代码中没有模型保存和提取操作，数据量也算是小的，可以下载下来练习一下如何实际操作。
SAMN 是我用这个模型进行的练习，可以参考，代码后面标注 lly 的是我写的或者修改的内容。

步骤：

先在原代码的主目录的下面建一个文件夹 model 。
第一次进行训练，进入目录执行 python SAMN.py ，其中参数 is_train = True。
训练完后发现model文件夹下面多了五个模型，最后一次保存的模型为最后模型，出现在第171次迭代的时候，即epoch=170

然后在控制台可以看到，epoch=170时候的评估结果：

    迭代第 166 次的损失为:26.586210：迭代第 167 次的损失为:26.567725：迭代第 168 次的损失为:26.586499：迭代第 169 次的损失为:26.571110：迭代第 170 次的损失为:26.668282：recall--------------------------------------------------------------------------------0.16846666666666665 0.19796666666666665 0.22703333333333334 0.24936666666666668 0.2713666666666667ndcg----------------------------------------------------------------------------------0.103169807535364 0.11131981364691529 0.11824016391770284 0.12317271387061263 0.12777428228959994save epoch  170