Python TensorFlow:Saver有5个型号限制

我想为我的实验保存多个模型，但我注意到

tf.train.Saver（）

constructor不能保存超过5个模型。下面是一个简单的代码：

将tensorflow导入为tf
x=tf.变量（tf.零（[1]））
saver=tf.train.saver（）
sess=tf.Session（）
对于范围（10）内的i：
sess.run（tf.initialize\u all\u variables（））
saver.save（sess，“/home/eneskobey/Desktop/model”+str（i））

当我运行这段代码时，我在桌面上只看到5个模型。为什么会这样？如何使用相同的

tf.train.Saver（）

构造函数保存5个以上的模型？

使用名为

max\u to\u keep

的可选参数，默认情况下保留模型的5个最新检查点。要保存更多模型，只需为该参数指定一个值：

import tensorflow as tf 

x = tf.Variable(tf.zeros([1]))
saver = tf.train.Saver(max_to_keep=10)
sess = tf.Session()

for i in range(10):
  sess.run(tf.initialize_all_variables())
  saver.save(sess, '/home/eneskocabey/Desktop/model' + str(i))

要保留所有检查点，请将参数

max\u To\u keep=None

传递给saver构造函数

如果您使用自己的

tf.Session（）

进行培训：

为了保留中间检查点而不是最后5个检查点，您需要在中更改2个参数：

• max_to_keep

  -表示要保留的最近检查点文件的最大数量。创建新文件时，会删除旧文件。如果无或0，则不会从文件系统中删除任何检查点，但检查点文件中只保留最后一个检查点。默认值为5（即保留最近的5个检查点文件。）

• 每\u n \u小时保留一个检查点\u

  -除了保留最新的max\u to \u keep checkpoint文件外，您可能还需要为每n小时的培训保留一个检查点文件。如果您希望以后分析模型在长时间的培训课程中的进展情况，这将非常有用。例如，通过keep_checkpoint_every_n_hours=2可确保每2小时的培训保留一个检查点文件。默认值10000小时将有效禁用该功能

因此，如果执行以下操作，则每2小时存储一个检查点，如果保存的检查点总数达到10个，则将删除最旧的检查点，并替换一个新的检查点：

saver = tf.train.Saver(max_to_keep=10, keep_checkpoint_every_n_hours=2)

run_config = tf.estimator.RunConfig()
run_config = run_config.replace(keep_checkpoint_max=10, 
    save_checkpoints_steps=100)
classifier = tf.estimator.Estimator(
    model_fn=model_fn, model_dir=model_dir, config=run_config)

如果使用

tf.estimator.estimator（）

，则检查点的保存由估计器本身完成。这就是为什么需要使用以下一些参数传递它：

• keep\u checkpoint\u max

  -要保留的最近检查点文件的最大数量。创建新文件时，会删除旧文件。如果无或0，则保留所有检查点文件。默认值为5（即保留最近的5个检查点文件。）

• 保存检查点\u步骤

  -每隔这么多步骤保存检查点。无法使用

  保存检查点\u秒
  指定

• save_checkpoints_secs

  -每隔这么多秒保存一次检查点。无法使用

  保存检查点\u步骤指定。如果构造函数中未设置
  save\u checkpoints\u步骤
  和
  save\u checkpoints\u secs
  ，则默认为600秒。如果
  save_checkpoints_步骤
  和
  save_checkpoints_secs
  均为无，则禁用检查点

因此，如果您执行以下操作，您将每100次迭代存储一个检查点，如果保存的检查点总数达到10个，则将删除最旧的检查点，并替换一个新的检查点：

saver = tf.train.Saver(max_to_keep=10, keep_checkpoint_every_n_hours=2)

run_config = tf.estimator.RunConfig()
run_config = run_config.replace(keep_checkpoint_max=10, 
    save_checkpoints_steps=100)
classifier = tf.estimator.Estimator(
    model_fn=model_fn, model_dir=model_dir, config=run_config)

---

“无”设置很有用，但在文档中不可用，整洁！（使用安全吗？@VF1我认为只要你有存储空间来保存所有检查点，它应该是安全的。我发现，对于具有50mil可训练变量的模型，10个检查点占用约4GB的空间。