TensorFlow的Saver保存类

一、Saver的介绍
有时可能只需要保存或者加载部分变量。
比如，可能有一个之前训练好的5层神经网络模型，但现在想写一个6层的神经网络，那么可以将之前5层神经网络中的参数直接加载到新的模型，而仅仅将最后一层神经网络重新训练。
为了保存或者加载部分变量，在声明tf.train.Saver类时可以提供一个列表来指定需要保存或者加载的变量。比如在加载模型的代码中使用saver = tf.train.Saver([v1])命令来构建tf.train.Saver类，那么只有变量v1会被加载进来。
1、tf.train.Saver.save()方法保存模型
模型格式：

tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)
'''
参数说明：
sess: 用于保存变量操作的会话。
save_path: String类型，用于指定训练结果的保存路径。
global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。
'''

2、tf.train.Saver.restore方法提取模型

tf.train.Saver.restore(sess, save_path)
'''
参数说明：
sess: 用于加载变量操作的会话。
save_path: 同保存模型是用到的的save_path参数。
'''

3、Tensorflow模型是什么？
Tensorflow模型主要包含网络的设计或者图（graph），和我们已经训练好的网络参数的值。因此Tensorflow模型有两个主要的文件：

A） Meta graph:
这是一个保存完整Tensorflow graph的protocol buffer，比如说，所有的 variables, operations, collections等等。这个文件的后缀是 .meta 。

B） Checkpoint file:
这是一个包含所有权重（weights），偏置（biases），梯度（gradients）和所有其他保存的变量（variables）的二进制文件。它包含两个文件：
mymodel.data-00000-of-00001
mymodel.index
其中，.data文件包含了我们的训练变量。
另外，除了这两个文件，Tensorflow有一个叫做checkpoint的文件，记录着已经最新的保存的模型文件。

实例：
https://blog.csdn.net/ei1990/article/details/76300789
https://www.zhihu.com/question/58287577
https://www.cnblogs.com/hejunlin1992/p/7767912.html