Tensorflow 如何存取网络模型

    当我训练完网络模型之后，会想到如何去保存训练好的weights和bias等网络参数，并在将来进行分类或者识别的任务中重新载入（restore）这个训练好的网络。那么在tensorflow中是如何实现对网络模型的保存的呢？
    在tensorflow中，变量存储在二进制文件中，主要包含从变量名到tensor值的映射关系。当创建一个Saver对象时，可以选择性地为检查点文件中的变量设置变量名。
    具体的，首先，给变量赋值，不过要在其后加上参数name=“”,注意，这里的name即要保存到网络模型的变量名称，未来在进行网络模型的载入时需要通过该变量值进行数据读取，类似字典的感觉。

v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name='v2”)

    之后，创建一个saver对象，来进行保存，同时不要忘记设定保存的路径。

saver = tf.train.Saver()save_path = saver.save(sess, './MNISTmodel/model.ckpt')print ('Model saved in file: ', save_path)

    模型保存好之后，在需要再次使用这个模型时，同样需要再创建一个saver对象。不要忘记，要将模型中之前保存好的变量名称再赋给需要载入的模型，即

v1 = tf.Variable(..., name='v1')v2 = tf.Variable(..., name=“v2”)

不过此时不需要对这些变量进行初始化了。

saver = tf.train.Saver()......with tf.Session() as sess: # Restore variables from disk. saver.restore(sess, './MNISTmodel/model.ckpt') print 'Model restored.'

    这样就可以直接恢复之前训练好的模型了。经过我的验证，准确度与之前训练好的时刻准确度一致。证明网络模型确实被成功恢复了。

    模型的保存不仅为了将来再次使用它进行分类等任务，也可以用来做fine-tuning。