將訓練好的模型參數保存起來，以便以后進行驗證或測試。tf里面提供模型保存的是tf.train.Saver()模塊。

模型保存，先要創建一個Saver對象：如

saver=tf.train.Saver()

在創建這個Saver對象的時候，有一個參數我們經常會用到，就是 max_to_keep 參數，這個是用來設置保存模型的個數，默認為5，即 max_to_keep=5，保存最近的5個模型。如果你想每訓練一代（epoch)就想保存一次模型，則可以將 max_to_keep設置為None或者0，如：

saver=tf.train.Saver(max_to_keep=0)

但是這樣做除了多占用硬盤，並沒有實際多大的用處，因此不推薦。

當然，如果你只想保存最后一代的模型，則只需要將max_to_keep設置為1即可，即

saver=tf.train.Saver(max_to_keep=1)

創建完saver對象后，就可以保存訓練好的模型了，如：

saver.save(sess,'ckpt/mnist.ckpt',global_step=step)

第一個參數sess,這個就不用說了。第二個參數設定保存的路徑和名字，第三個參數將訓練的次數作為后綴加入到模型名字中。

saver.save(sess, 'my-model', global_step=0) ==>      filename: 'my-model-0'
...
saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'

2.例子

import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32, shape=[None, 1])
y = 4 * x + 4
w = tf.Variable(tf.random_normal([1], -1, 1))
b = tf.Variable(tf.zeros([1]))
y_predict = w * x + b
loss = tf.reduce_mean(tf.square(y - y_predict))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
isTrain = False
train_steps = 100
checkpoint_steps = 50
checkpoint_dir = ''
saver = tf.train.Saver()  # defaults to saving all variables - in this case w and b
x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    if isTrain:
        for i in xrange(train_steps):
            sess.run(train, feed_dict={x: x_data})
            if (i + 1) % checkpoint_steps == 0:
                saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)
    else:
        ckpt = tf.train.get_checkpoint_state(checkpoint_dir)
        if ckpt and ckpt.model_checkpoint_path:
            saver.restore(sess, ckpt.model_checkpoint_path)
        else:
            pass
        print(sess.run(w))
        print(sess.run(b))　

3.恢復

用saver.restore()方法恢復變量：

saver.restore(sess,'ckpt.model_checkpoint_path')

sess：表示當前會話，之前保存的結果將被加載入這個會話；

ckpt.model_checkpoint_path：表示模型存儲的位置，不需要提供模型的名字，它會去查看checkpoint文件，看看最新的是誰，叫做什么。

轉載：

【1】https://www.cnblogs.com/denny402/p/6940134.html

【2】https://blog.csdn.net/u011500062/article/details/51728830

【3】https://www.cnblogs.com/chamie/p/8780508.html