加载tf模型 正确率很低_「小白能懂系列」Tensorflow模型存储和调用实例（附代码）...

先讲一下Tensorflow模型的组成，如果是通过tf.train.Saver()保存的模型，那么会生成3种文件：

1. .meta是网络结构，就是深度学习网络的那些隐层和全连接层等的定义
2. checkpoint是记录输出模型的checkpoint
3. 剩下的文件保存的是模型网络中的具体的参数

下面看下训练代码：

代码很简单，先定义两个Tensor的变量w1和w2，b1是一个常量2，然后定义一个字典，其中w1是4，w2是8。接着定义op，op指的是Tensorflow计算符，tf.add将w1和w2相加，然后通过tf.multiply将w1和w2相加的结果乘以2。接着生成全局的参数tf.global_variables_intitializer()，就是初始化参数，取第1000次的checkpoint把模型保存为my_test_model。这个代码的意思是输入w1和w2，然后模型会返回(w1+w2)*b1的结果，b1是常量，等于2。

运行后模型就保存下来，下面看下怎么调用：

通过import_meta_graph这个函数加载训练时的网络结构，然后用restore方法加载网络结构中的权重，到了这步预测模型就加载好了。接着设置一组预测值，使得w1=6，w2=7。获取计算op，也就是当初训练的时候定义的op名称‘op_to_restore’。然后就可以把数据传到op里进行计算，生成的结果为(6+7)*2=26。

彩蛋：如果想基于已有的模型refine，可以在原有模型上增加计算op，参考第二张图注释部分，可以自己试下。