【机器学习代码入门】tensorflow库函数的调用（四）-----模型保存

1. Tensorflow模型是什么？

当你已经训练好一个神经网络之后，你想要保存它，用于以后的使用，部署到产品里面去。所以，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：

转自博客园连接

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。

注：Tensorflow 0.11版本以前，Checkpoint file只有一个后缀名为.ckpt的文件。

因此，总结来说，Tensorflow（版本0.10以后）模型长这个样子：

Tensorflow版本0.11以前，只包含以下三个文件：

inception_v1.meta
inception_v1.ckpt
checkpoint

接下来说明如何保存模型。

2. 保存一个Tensorflow模型

当网络训练结束时，我们要保存所有变量和网络结构体到文件中。在Tensorflow中，我们可以创建一个tf.train.Saver() 类的实例，如下：

saver = tf.train.Saver()

由于Tensorflow变量仅仅只在session中存在，因此需要调用save方法来将模型保存在一个session中。

saver.save(sess, ‘my-test-model’)
在这里，sess是一个session对象，其中my-test-model是你给模型起的名字。下面是一个完整的例子：

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

如果我们想在训练1000次迭代之后保存模型，可以使用如下方法保存

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

这个将会在模型名字的后面追加上‘-1000’，下面的文件将会被创建：

my_test_model-1000.index
my_test_model-1000.meta
my_test_model-1000.data-00000-of-00001
checkpoint

由于网络的图（graph）在训练的时候是不会改变的，因此，我们没有必要每次都重复保存.meta文件，可以使用如下方法：

saver.save(sess, 'my-model',global_step=step