TensorFlow模型参数的保存和加载（含演示代码）

当我们通过TensorFlow构建了一个训练模型，譬如人脸识别或场景分类网络，并且找到合适的数据集，经过较长时间的训练后，识别率令人满意，这时候我们希望把训练结果保存下来，下次使用时可以直接调用，而不需要重新训练。这就涉及到一个如何保存和加载TensorFlow训练参数的问题。

为方便使用者保存训练结果，TensorFlow提供了tf.train.Saver模块用于保存当前会话中所有的变量值（Variables）。当构建网络模型时，需要为待保存的变量指定name属性，如下所示：

W = tf.Variable(tf.zeros([784, 10]),name="var_W")

当后面进行加载恢复操作（restore）时，只需要指定变量名，就可以直接获取到上一次训练保存的变量值，代码如下：

W = sess.graph.get_tensor_by_name("var_W:0")

当训练结束时，只需要执行如下语句，即可保存训练结果到指定目录：

saver = tf.train.Saver()

saver_path = saver.save(sess,"%smodel.ckpt"%(SAVER_DIR))

上述操作可总结为：

1. 构建网络时为Variables指定名字；

2. 在完成训练迭代之后，调用tf.train.Saver()的save()函数，保存训练结果；

3. 在进行识别任务时&#x