tensorflow 模型的保存和加载

用tensorflow 的时候经常遇到模型的保存和加载问题，今天在使用的时候遇到了一点点小问题，经过训练保存的模型在加载的时候意外的出现了bug,仔细查找资料后才发现是自己对tensorflow的API不够熟练

模型的保存

我们一般训练的时候是在Session里训练的，所以保存的例如：

saver = tf.train.Saver(tf.global_variables(), max_to_keep=100)
with tf.Session as sess:
	
	运行的代码
	saver.save(sess, checkpoint_prefix, global_step=current_step)

save 函数的接口为：

save(
    sess,
    save_path,
    global_step=None,
    latest_filename=None,
    meta_graph_suffix='meta',
    write_meta_graph=True,
    write_state=True
)

一般想要保存模型，我们需要定义一个对象：saver 通常是这样的：
saver = tf.train.Saver(tf.global_variables(), max_to_keep=100)
tf.train.Saver() 这个函数可以将模型的所有参数都保存下来，并且它支持保存部分参数。该Saver类添加OPS保存和恢复变量和检查站 。它还提供了方便的方法来运行这些操作。

检查点是一个专有格式的二进制文件，其映射变量名张量的值。检查检查点的内容，最好的办法是使用加载它Saver 。

储户可自动检查站数名与所提供的计数器。这可以让你保持多个检查点，在不同的步骤，而训练的模型。例如，你可以数随训练步数检查点的文件名。为了避免填满磁盘，储户自动管理检查点文件。例如，他们可以只保留N个最近的文件，或每N个小时的训练一个检查点。

a) Meta graph:
这是一个协议缓冲区(protocol buffer)，它完整地保存了Tensorflow图；即所有的变量、操作、集合等。此文件以 .meta为拓展名。

b) Checkpoint 文件：

这是一个二进制文件，包含weights、biases、gradients 和其他所有变量的值。此文件以 .ckpt 为扩展名. 但是，从Tensorflow 0.11版本之后做出了一些改变。现在，不再是单一的.ckpt 文件，而是两个文件（.data和.index）.data文件包含了我们的训练变量

存储的文件如下:

其中：checkpoint 存储着最近保存的文件列表，是一个文本文档，可以查看
model-464940.meta 保存的就是网络数据，这个其实只需要保存一次就行了，因为后面随着模型训练，网络是不会改变的，只有参数会改变。
model-463940.data-00000-of-00001 和 model-464940.index 是checkpoint 文件，保存我们训练的变量信息，464940 这个号码是系统根据你的设置生成的，例如你设置每1000步保存一次，那这个数字就会是1000,2000, 3000,...

注意事项

用saver保存模型的时候，saver.save(sess, checkpoint_prefix, global_step=current_step) 其中checkpoint_prefix 这个参数 是需要保存的名称前缀，而不是全称，例如上面我们的模型是model-464940.meta 那我们的checkpoint_prefix 就是dir/model 后面的都是API自己生成

模型加载

模型加载和模型保存是一致的看案例：

with tf.Session() as sess:
	saver = tf.train.import_meta_graph({}.meta".format(model_file))
    sess.run(tf.initialize_all_variables())
    saver.restore(self.sess, model_file)

tf.train.import_meta_graph 直接加载meta 文件
saver.restore() 加载参数文件 记住，这个restore 不需要指定.data 或者.index 这两个文件都是需要的，所以只需要到模型的名称那就可以了