实例81：添加模型存储支持分布训练

栈式自编码的另一个优点就是可以将神经网络模块化，便于分工。在实际过程中，为了得到更好的模型，需要将上述的每个环节分别单独训练。
不同小组之间的对接通过模型文件来完成，需要将每个环节中的参数保存下来，在自己的步骤开始之前将上个步骤的环境加载进去。

实例描述

对自编码模型进行分布式模型存储与载入，使每一层都可以单个环节逐一训练。

#定义保存模型的位置
savedir = "/log/"
saver = tf.train.Saver(tf.train.global_varibales(), max_to_keep=1)
load_epoch = 49 
print(savedir)

tf.train.Saver(tf.train.global_varibales(), max_to_keep=1)保存模型中所有变量的值，也包含优化器的状态，还有一些keras接口中模型的保存和载入可以参考

#一种
 #载入模型
    kpt = tf.train.latest_checkpoint(savedir)
    if kpt!=None:
        saver.restore(sess, kpt)
#或者直接恢复
saver.restore(sess, savedir+ "*****")