tf.train.Saver()

转载地址：https://blog.csdn.net/yz19930510/article/details/80324389

tf.train.Saver() 保存和加载模型

saver = tf.train.Saver()

saver.save(sess, ‘路径 + 模型文件名’）

在创建这个 Saver 对象的时候， max_to_keep 参数表示要保留的最近检查点文件的最大数量，创建新文件时，将删除旧文件，默认为 5（即保留最近的 5 个检查点文件），max_to_keep=5。

saver = tf.train.Save(max_to_keep=5)

import tensorflow as tf
import os
import numpy as np
 
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
 
model_save_path = './model/'
model_name = 'model'
 
saver = tf.train.Saver()
 
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    for step in np.arange(num):
        c = sess.run(tf.add(a, b))
        #checkpoint_path = os.path.join(model_save_path, model_name)
        # 默认最多同时存放 5 个模型
        saver.save(sess, os.path.join(model_save_path, model_name), global_step=step)

可选参数 global_step : 编号 checkpoint 名字

Tensorflow 会自动生成4个文件

第一个文件为 model.ckpt.meta，保存了 Tensorflow 计算图的结构，可以简单理解为神经网络的网络结构。

model.ckpt.index 和 model.ckpt.data--of- 文件保存了所有变量的取值。

最后一个文件为 checkpoint 文件，保存了一个目录下所有的模型文件列表。

import tensorflow as tf
import os
import numpy as np
 
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
 
model_save_path = './model/'
model_name = 'model'
 
saver = tf.train.Saver()
 
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    ckpt = tf.train.get_checkpoint_state(model_save_path)
    # 载入模型，不需要提供模型的名字，会通过 checkpoint 文件定位到最新保存的模型
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess, ckpt.model_checkpoint_path)
    print("load success")