Python Tensorflow中的再训练模型

我有一个使用Tensorflow的简单神经网络。 以下是会议：

with tensorFlow.Session() as sess:
  sess.run(tensorFlow.global_variables_initializer())
  for epoch in range(epochs):
    i = 0
    epochLoss = 0
    for _ in range(int(len(data) / batchSize)):
      ex, ey = nextBatch(i)
      i += 1
      feedDict = {x :ex, y:ey }
      _, cos = sess.run([optimizer,cost], feed_dict= feedDict) 
      epochLoss += cos / (int(len(data)) / batchSize)
    print("Epoch", epoch + 1, "completed out of", epochs, "loss:", "{:.9f}".format(epochLoss))

  save_path = saver.save(sess, "model.ckpt")
  print("Model saved in file: %s" % save_path)

在最后2行中，我保存了模型并在另一个类中恢复了图形：

with new_graph.as_default():
    with tf.Session(graph=new_graph) as sess:
        sess.run(tf.global_variables_initializer())
        new_saver = tf.train.import_meta_graph('model.ckpt.meta')
        new_saver.restore(sess, tf.train.latest_checkpoint('./'))

我想重新训练模型，这意味着不初始化权重，只是从它停止的最后一点更新它们

我该怎么做

来自

tf.train.Saver.restore（sess，保存路径）

恢复以前保存的变量

此方法运行构造函数添加的用于还原的ops 变量。它需要启动图形的会话最新版本 要还原的变量不必初始化，如下所示 还原本身就是初始化变量的一种方式。

以下示例来自

---

还要检查文档。这个问题实际上是关于保存和恢复模型的。

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")
  print("Model restored.")
  # Do some work with the model
  ...