Model 保存tensorflow模型的权重和偏差

我使用Tensorflow创建了一个简单的3层MNIST模型，并尝试将模型保存为.pb文件，以便提取最终的层外权重和隐藏权重。但我无法得到最终的隐藏层和权重。请指导我如何保存重量

我在代码中添加了以下行：

使用tf.Graph（）作为默认值（）：
saver=tf.train.saver（）
sess=tf.Session（）
saver.restore（sess，/tmp/model.ckpt“）

但是获取

ValueError:没有要保存的变量

。我到底需要在哪里添加以上内容

from\uuuuu future\uuuuu导入打印功能
#导入MNIST数据
从tensorflow.examples.tutorials.mnist导入输入数据
mnist=输入数据。读取数据集（“/tmp/data/”，one\u hot=False）
导入tensorflow作为tf
路径\u到\u模型\u pb=“/u”
#参数
学习率=0.1
步骤数=20
批量大小=128
显示步进=100
#saver=tf.train.saver（）
#网络参数
n_hidden_1=15#第一层神经元数
#n_hidden_2=256#第二层神经元数量
num_input=784#MNIST数据输入（img形状：28*28）
num#U classes=10#MNIST总类数（0-9位）
#定义神经网络
def神经网络（x_dict）：
#在多个输入的情况下，TF估计器输入是dict
x=x_dict[“图像”]
#具有256个神经元的隐藏完全连接层
layer_1=tf.layers.dense（x，n_hidden_1）
#具有256个神经元的隐藏完全连接层
#layer_2=tf.layers.dense（layer_1，n_hidden_2）
#输出完全连接的层，每个类有一个神经元
out\u layer=tf.layers.density（layer\u 1，num\u类）
返回输出层
#定义模型函数（遵循TF估计器模板）
def型号（功能、标签、模式）：
#建立神经网络
logits=神经网络（特征）
#预言
pred_classes=tf.argmax（logits，axis=1）
pred_probas=tf.nn.softmax（logits）
#如果是预测模式，则提前返回
如果mode==tf.estimator.ModeKeys.PREDICT：
返回tf.estimator.EstimatorSpec（模式，预测=预测类）
#定义损失和优化器
损耗op=tf.减少平均值（tf.nn.sparse\u softmax\u交叉熵）(
logits=logits，labels=tf.cast（labels，dtype=tf.int32）））
优化器=tf.train.GradientDescentOptimizer（学习率=学习率）
列车运行=优化器。最小化（损失运行，
global\u step=tf.train.get\u global\u step（））
#评估模型的准确性
acc_op=tf.metrics.Accurance（标签=标签，预测=预测类）
#TF Estimators需要返回一个EstimatorSpec，指定
#用于培训、评估等的不同操作。。。
estim_specs=tf.estimator.estimator Spec(
模式=模式，
预测=预测类，
损失=损失，
列车运行=列车运行，
eval_metric_ops={'acc_ops'：acc_ops}）
saver=tf.train.saver（）
返回estim_规格
#建立估计器
模型=tf.估计量.估计量（模型_fn）
#定义培训的输入功能
输入\u fn=tf.estimator.inputs.numpy\u输入\u fn(
x={'images'：mnist.train.images}，y=mnist.train.labels，
批量大小=批量大小，num\u epochs=None，shuffle=True）
#训练模型
模型列车（输入fn，步数=步数）
#评估模型
#定义用于评估的输入函数
使用tf.Graph（）作为默认值（）：
saver=tf.train.saver（）
sess=tf.Session（）
输入\u fn=tf.estimator.inputs.numpy\u输入\u fn(
x={'images'：mnist.test.images}，y=mnist.test.labels，
批量大小=批量大小，随机播放=错误）
#使用估计器“评估”方法
e=模型。评估（输入\u fn）
打印（“测试精度：”，e[“精度”]）
saver.restore（sess，/tmp/model.ckpt“）
#save\u path=saver.save（sess，“/tmp/model.ckpt”）
tf.train.write_graph（tf.get_default_graph（），路径_到_model_pb，
“已保存的_model.pb”，作为_text=False）

您尚未在所处的图形中构建网络

Estimator

使用自己的图表，应该为您处理会话管理。如果希望模型保存权重，请将

model\u dir

传递给构造函数

model = tf.estimator.Estimator(model_fn, '/tmp/my_model_dir')
model.train(train_input_fn, steps=num_steps)
e = model.evaluate(eval_input_fn)

如果您想在估计器框架之外处理网络，只需调用

model\u fn

并从传递给估计器的

model\u dir

加载变量。例如，要根据一些numpy

特征数据生成推断，请执行以下操作：

graph = tf.Graph()
with graph.as_default():
    features = tf.placeholder(shape=feature_shape, dtype=tf.float32)
    labels = None
    mode = 'predict'

    spec = model_fn(features, labels, mode)
    saver = tf.train.Saver()

with tf.Session(graph=graph) as sess:
    saver.restore(sess, tf.train.latest_checkpoint('/tmp/my_model_dir'))
    sess.run(spec.inference, feed_dict={features: feature_data})