为了使训练模型可以复用，需要将训练得到的神经网络模型持久化。Tensorflow通过tf.train.Saver类实现模型的保存和还原。
Tensorflow的模型一般会保存在后缀为.ckpt的文件中， checkpoint 保存目录下所有的模型文件列表。
# 1. 保存计算两个变量和的模型。 v1 = tf.Variable(tf.random_normal([1], stddev=1, seed=1)) v2 = tf.Variable(tf.random_normal([1], stddev=1, seed=1)) result = v1 + v2 init_op = tf.global_variables_initializer() saver = tf.train.Saver() with tf.Session() as sess: sess.run(init_op) saver.save(sess, "Saved_model/model.ckpt") # 2. 加载保存了两个变量和的模型。 with tf.Session() as sess: saver.restore(sess, "Saved_model/model.ckpt") print(sess.run(result))
Tensorflow支持保存或加载部分变量，比如一个已训练好的8层神经网络，想在此基础上尝试训练一个新的10层神经网络，可以将前面8层网络的参数直接加载到模型中，仅对最后两层神经网络进行训练。
为保存或加载部分变量，在声明tf.train.Saver类时可以提供一个列表来指定需要保存或加载的变量。Tensorflow通过字典将模型保存时的变量名和需要加载的变量联系起来。
