Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

tf.compat.v1.train.init_from_checkpoint

Lihat sumber di GitHub

Menggantikan tf.Variable initializers sehingga mereka memuat dari file pos pemeriksaan.

Nilai tidak dimuat segera, tetapi ketika initializer dijalankan (biasanya dengan menjalankan tf.compat.v1.global_variables_initializer op).

mendukung peta tugas berikut sintaks:

  • 'checkpoint_scope_name/': 'scope_name/' - akan memuat semua variabel di saat scope_name dari checkpoint_scope_name dengan nama yang cocok tensor.
  • 'checkpoint_scope_name/some_other_variable': 'scope_name/variable_name' - akan initialize scope_name/variable_name variabel dari checkpoint_scope_name/some_other_variable .
  • 'scope_variable_name': variable - akan menginisialisasi diberikan tf.Variable objek dengan tensor 'scope_variable_name' dari pos pemeriksaan.
  • 'scope_variable_name': list(variable) - akan menginisialisasi daftar variabel dipartisi dengan tensor 'scope_variable_name' dari pos pemeriksaan.
  • '/': 'scope_name/' - akan memuat semua variabel di saat scope_name dari akar pos pemeriksaan (misalnya ada ruang lingkup).

Mendukung loading ke variabel dipartisi, yang direpresentasikan sebagai '<variable>/part_<part #>' .

Contoh:

 
# Say, '/tmp/model.ckpt' has the following tensors:
#  -- name='old_scope_1/var1', shape=[20, 2]
#  -- name='old_scope_1/var2', shape=[50, 4]
#  -- name='old_scope_2/var3', shape=[100, 100]

# Create new model's variables
with tf.compat.v1.variable_scope('new_scope_1'):
  var1 = tf.compat.v1.get_variable('var1', shape=[20, 2],
                         initializer=tf.compat.v1.zeros_initializer())
with tf.compat.v1.variable_scope('new_scope_2'):
  var2 = tf.compat.v1.get_variable('var2', shape=[50, 4],
                         initializer=tf.compat.v1.zeros_initializer())
  # Partition into 5 variables along the first axis.
  var3 = tf.compat.v1.get_variable(name='var3', shape=[100, 100],
                         initializer=tf.compat.v1.zeros_initializer(),
                         partitioner=lambda shape, dtype: [5, 1])

# Initialize all variables in `new_scope_1` from `old_scope_1`.
init_from_checkpoint('/tmp/model.ckpt', {'old_scope_1/': 'new_scope_1'})

# Use names to specify which variables to initialize from checkpoint.
init_from_checkpoint('/tmp/model.ckpt',
                     {'old_scope_1/var1': 'new_scope_1/var1',
                      'old_scope_1/var2': 'new_scope_2/var2'})

# Or use tf.Variable objects to identify what to initialize.
init_from_checkpoint('/tmp/model.ckpt',
                     {'old_scope_1/var1': var1,
                      'old_scope_1/var2': var2})

# Initialize partitioned variables using variable's name
init_from_checkpoint('/tmp/model.ckpt',
                     {'old_scope_2/var3': 'new_scope_2/var3'})

# Or specify the list of tf.Variable objects.
init_from_checkpoint('/tmp/model.ckpt',
                     {'old_scope_2/var3': var3._get_variable_list()})

 

ckpt_dir_or_file Direktori dengan berkas pemeriksaan atau jalan ke pos pemeriksaan.
assignment_map Dict, di mana kunci adalah nama variabel di pos pemeriksaan dan nilai-nilai variabel atau nama variabel saat ini (dalam grafik default) saat ini.

ValueError Jika variabel dalam grafik saat ini hilang, atau jika pos-pos pemeriksaan atau tensor pos pemeriksaan hilang.