tensorflow加载训练好的模型测试数据

总感觉耐不下心来好好学这些东西。
计算图：TensorFlow中的所有计算都会被转化成计算图上的节点。
张量：TensorFlow中，所有的数据都通过张量的形式来表示，可以简单地理解成多维数组。
会话：TensorFlow中使用会话来执行定义好的计算。
使用训练好的模型，最主要就是要得到输入和输出的接口。
方法一：首先是输入。在训练网络时要给输入赋予name，比如：

inputs_ = tf.placeholder(tf.float32, shape=[None, codes.shape[1]],name="input")

最后的 name=“input” 一定要加上，这样训练完成后就可以使用：

inputs_ = tf.get_default_graph().get_operation_by_name('input').outputs[0]

来得到输入的接口（输入的tensor）。
输出同理。比如一个卷积神经网络做分类任务，需要的输出为：

predicted = tf.nn.softmax(logits)

可以改写成：

predicted = tf.nn.softmax(logits,name="predicted")

这样就可以在加载模型后使用：

predicted = tf.get_default_graph().get_operation_by_name('predicted').outputs[0]
sess.run(predicted)

得到预测结果。

方法二:在训练网络时使用tf.add_to_collection将需要的节点加入到一个自己定义名字的列表中，比如：

tf.add_to_collection('input', inputs_)

这样在加载模型后，使用:

inputs_ = tf.get_collection('input')[0]

就可以得到输入的接口（输入的tensor）。
输出同理。使用:

tf.add_to_collection('predicted', predicted)

这样在加载模型后就可以使用:

predicted = tf.get_collection('predicted')[0]
sess.run(predicted)

得到预测结果。

tf.get_default_graph().get_operation_by_name
tf.add_to_collection
tf.get_collection
他们三个的具体参数就不写了，去网上找吧。（其实是我也没弄明白）

以上均为一个初学者记录以便用到时易于查询，有什么不对的地方，希望不要误导了各位看官。