1. 保存恢复命令

1） class tf.train.Saver

保存和恢复变量的类。

2） tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True)

保存变量。默认保存最近5步的所有变量。每次保存的文件格式为：model_epoch1.ckpt.data-00000-of-00001，model_epoch1.ckpt.index，model_epoch1.ckpt.meta。不过我不太明白每个里面存储的什么东西。

如果存储指定的变量，例子为：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore only 'v2' using the name "my_v2"
saver = tf.train.Saver({"my_v2": v2})
# Use the saver object normally after that.
...

3） tf.train.Saver.restore(sess, save_path)

恢复之前保存的变量。saver还有其他一些函数。

2. tensorflow保存网络结构及恢复

保存：

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。