tensorflow2.4 用checkpoint保存网络，读取后继续训练！

Tensorflow2学习记录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Tensorflow2网络的保存与恢复后继续训练。

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

最近计划深入学习一下机器学习，奈何笔记本不给力，训练起来超级慢。
又必须关机带着电脑走。晚上也不想把电脑设置为高性能不关机的模式，
那样太吵了。所以一直在找怎么将继续训练的代码写出来，这样我就
可以随时停止训练，然后背电脑回家或者可以用电脑做别的事情，没事了
就继续接着训练。这样虽然效率低一点，但这样才是常态啊。不是每个人
都有专门的机器学习服务器呀！

原来在matlab上用过机器学习，刚开始具体接触Python下的机器学习，
听说TensorFlow2比较好用，就从它入手。结果网络上铺天盖地的都是
TensorFlow1的帖子，好像找到点有关系的帖子，但是要订阅，每个月
几十上百块。都收钱了，博客还有啥意义？

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、官方帮助在哪里？

最害怕看到最后还没有找到自己的答案。
所以下面直接给出我用的官方链接，您可以先看看，
如果看了之后不会，您老再向后看看我是怎么弄的。
官方帮助链接：https://tensorflow.google.cn/guide/checkpoint?hl=en
github实例链接：https://github.com/tensorflow/docs/blob/master/site/en/guide/checkpoint.ipynb

github上的链接可能不好下载，但偶尔还可以看。所以下面就主要根据github上的实例介绍恢复并重新训练的功能。

二、学习过程

首先，你应该准备好网络了。你可以随便找个网络比如网络上到处都有的MNIST手写数字识别的网络。
最开始我看的是简单粗暴TensofFlow2里面的一个例子。
链接地址：https://tf.wiki/zh_hans/basic/tools.html#tf-train-checkpoint

开始理解checkpoint

我们这里的目标是临时保存网络，等有空了再把网络恢复，然后重新接着训练，这里的接着是最重要的。

它给出的例子如下

import tensorflow as tf
import numpy as np
import argparse
from zh.model.mnist.mlp import MLP
from zh.model.utils import MNISTLoader

parser = argparse.ArgumentParser(description='Process some integers.')
parser.add_argument('--mode', default='train', help='train or test')
parser.add_argument('--num_epochs', default=1)
parser.add_argument('--batch_size', default=50)
parser.add_argument('--learning_rate', default=0.001)
args = parser.parse_args()
data_loader = MNISTLoader()

def train():
    model = MLP()
    optimizer = tf.keras.optimizers.Adam(learning_rate=args.learning_rate