【TensorFlow】TensorFlow模型保存(save)于恢复(restore)的方法总结

什么是Tensorflow模型？

当你训练好一个神经网络后，你会想保存好你的模型便于以后使用并且用于生产。因此，什么是Tensorflow模型？Tensorflow模型主要包含网络设计（或者网络图）和训练好的网络参数的值。所以Tensorflow模型有两个主要的文件：

a) Meta图： 
Meta图是一个协议缓冲区（protocol buffer），它保存了完整的Tensorflow图；比如所有的变量、运算、集合等。这个文件的扩展名是.meta。

b) Checkpoint 文件 
这是一个二进制文件，它保存了权重、偏置项、梯度以及其他所有的变量的取值，扩展名为.ckpt。但是， 从0.11版本开始，Tensorflow对改文件做了点修改，checkpoint文件不再是单个.ckpt文件，而是如下两个文件：

mymodel.data-00000-of-00001
mymodel.index

其中， .data文件包含了我们的训练变量。除此之外，还有一个叫checkpoint的文件，它保留了最新的checkpoint文件的记录。

总结一下，对于0.10之后的版本，tensorflow模型包含以下文件：

保存Tensorflow模型

当训练完成后，我们想要保存所有的变量和网络图便于以后使用。因此在Tensorflow中， 为了保存网络图和所有参数的值，我们应该创建tf.train.Saver()这个类的一个对象。

saver = tf.train.Saver()

Tensorflow变量只有在会话（session）中才能激活。因此，要在会话中调用你刚创建的对象的保存方法。

saver.save(sess, "my-test-model")

sess是一个session对象，“my-test-model”是模型的名字。

import tensorflow as tf
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')
saver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver.save(sess, 'my_test_model')

# This will save following files in Tensorflow v >= 0.11
# my_test_model.data-00000-of-00001
# my_test_model.index
# my_test_model.meta
# checkpoint

如果我们要在1000次迭代后保存模型，我们应该在调用保存方法时传入步数计数：

saver.save(sess, "my_test_model", global_step=1000)

这会在模型名称后加一个“-1000”并且会创建如下文件：

my_test_model-1000.index
my_test_mod