TensorFlow1： 模型保存读取

很简单，在原代码基础上加几句代码即可
一、保存模型
3句即可，首先建立一个saver和一个路径

下面两句添加在session创建之前，参数、网络结构定义之后

# (C)pengchengIT 2021
#保存模型
saver = tf.train.Saver()
model_path = "model/001model"
#启动session
with tf.session() as sess:
...

然后调用save，自动将session中的参数保存起来。

下面一句添加在session最后面

save_path = saver.save(sess, model_path)
print("Model saved in file: %s" %save_path)

运行代码，会在代码文件的同级目录下找到model文件夹，其中有4个文件夹

二、读取模型
也是3句，在创建上述模型后，就可以直接用上次训练好的模型，直接对测试集操作了

注意：读取模型前，源代码中参数、网络结构的定义不变，保留不动，可以把训练时的session删去，创建新的session,读取模型后，所有造作在新的session里，其实只有session变了

同样要建立一个saver和一个路径（之前保存的地方），恢复模型这句添加在session创建好后

saver = tf.train.Saver()
model_path = "model/001model"
#启动session
with tf.session() as sess:
sess.run(tf.global_variables_initializer())
#回复模型变量
saver.restore(sess, model_path)