模型持久化，实现模型持久化可以使得模型训练后的结果重复使用

前面几节已经讲了有关于队列和多线程的内容，内容不多但是却很实用。接下来我们讲一章新的内容：模型持久化。模型持久化的特点：实现模型持久化可以使得模型训练后的结果重复使用，这样既可以节省重复训练模型的时间，又可以提高编程工作的效率，因为遇到稍大的神经网络一般都要训练很多天。

通过代码实现

train.Saver类是Tensorflow提供的用于保存和还原一个神经网络模型的API，使用起来很简单，比如说要持久化一个向量项加，我们可以写成这样的代码：

上面的代码就实现了一个简单的Tensorflow模型持久化的功能。save()函数的sess参数用于指定要保存的模型会话，save_path参数用来指定路径。在代码中，通过Saver类的save()函数将Tensorflow()模型保存在指定路径下的model.ckpt文件中(TensorFlow 模型一般会保存在后缀名为 .ckpt 的文件中，代码中可以省略 . ckpt 后缀名）

如图所示生成了4个文件，其中checkpoint文件是一个文本文件，会被自动更新；其余3个文件都是二进制文件，无法打开。除了保存模型之外，Tensorflow还提供相应的函数来加载保存的模型，例如加载上面向量相加的模型，以下是代码展示：