Tensorflow模型持久化

保存两个变量的模型，使用Saver类：

v1 = tf.Variable(tf.constant(1.0,shape=[1]), name="v1")
v2 = tf.Variable(tf.constant(2.0,shape=[1]),name="v2")
result = v1 + v2

init_op = tf.global_variables_initializer()
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(init_op)
    # 注意jupyter默认的运行目录为根目录
    saver.save(sess, "path/to/model/model.ckpt")

 

.meta保存了Tensorflow计算图的结构,即是存储网格结构

.data和.index这是一个二进制文件，包含所有权重，偏置，梯度和所有其他存储的变量的值。存储训练好的参数。

checkpoint保存最后的检查点文件，就是保存最新的模型。

使用Saver.restore()加载已经保存的模型，并通过已经保存的变量，得到这个变量直接计算

也可以利用saver = tf.train.import_meta_graph()函数直接加载持久化的图，通过张量名称来获取张量

注意;saver.export_meta_graphsaver.export_meta_graph()将meta转换成json则可以查看里面的值

可以使用tf.train.NewCheckpointReader类来查询保存的变量信息，包括变量类型和值。