如何从tensorflow高级API中恢复经过训练的LinearClassifier并进行预测

Question

我使用tensorflow的LinearClassifier()类训练了一个logistic回归模型模型，并设置了model_dir参数，该参数指定在模型培训期间保存检查点的元数据的位置：

# Create temporary directory where metagraphs will evenually be saved
model_dir = tempfile.mkdtemp()

logistic_model = tf.contrib.learn.LinearClassifier(
    feature_columns=feature_columns, 
    n_classes=num_labels, model_dir=model_dir)

我一直在阅读有关从图元图中恢复模型的文章，但是对于使用高级api创建的模型，我还没有发现如何这样做。LinearClassifier()有一个predict()函数，但是我找不到任何关于如何使用通过检查点图恢复的模型实例来运行预测的文档。我该怎么做呢？一旦恢复了模型，我的理解是我使用的是tf.Sess对象，它缺少LinearClassifier类的所有内置功能，如下所示：

with tf.Session() as sess:
  new_saver = tf.train.import_meta_graph('my-save-dir/my-model-10000.meta')
  new_saver.restore(sess, 'my-save-dir/my-model-10000')
  # Run prediction algorithm...

如何运行高级api所使用的相同的预测算法来对恢复的模型进行预测？有没有更好的方法来解决这个问题？

谢谢你的意见。

Answer 1

LinearClassifier()有“model_dir”参数，如果指向经过训练的模型将恢复模型。

在训练期间，你会：

logistic_model = tf.contrib.learn.LinearClassifier(feature_columns=feature_columns, n_classes=num_labels, model_dir=model_dir)
classifier.fit(X_train, y_train, steps=10)

在推理过程中，LinearClassifier()将从给定的路径加载经过训练的模型，而不是使用fit()方法，而是调用predict()方法：

logistic_model = tf.contrib.learn.LinearClassifier(feature_columns=feature_columns, n_classes=num_labels, model_dir=model_dir)
y_pred = classifier.predict(X_test)