tensorflow实例(10)--模型保存与读取，鸢尾花神经网络模型读写

TensorFlow通过tf.train.Saver类实现模型的保存和提取。
这样做的好处就如我们在用神经网络训练一个模型，需要非常长的时间，当把这个模型保存后，
当要测试或使用这个模型时，把保存的模型提取出来，不需要再次的进行训练
关于神经网络的基本原理与tensorflow的实现可参考
机器学习(1)--神经网络初探
 TensorFlow实例(4)--MNIST简介及手写数字分类算法

本例分两段代码，分别放在两个py文件中，一个用于训练与保存模型，一个用于测试模型
使用数据集简介:以鸢尾花的特征作为数据，共有数据集包含150个数据集，
分为3类setosa(山鸢尾), versicolor(变色鸢尾), virginica(维吉尼亚鸢尾)
每类50个数据，每条数据包含4个属性数据 和 一个类别数据.
会把这150个数据集分成为100个训练数据与50个测试数据，分别放在两个文件中，
当训练PYTHON程序运行后，会在指定目录下生成一个模型文件，而测试PYTHON程序只通过调用模型文件进行测试
因为采用的是神经网络的计算方式，所以对setosa(山鸢尾), versicolor(变色鸢尾), virginica(维吉尼亚鸢尾)的数据类型定义
setosa(山鸢尾)[1,0,0],versicolor(变色鸢尾)[0,1,0],virginica(维吉尼亚鸢尾)[0,0,1]

其它应用鸢尾花数据的机器学习实例可参考
机器学习(6)--朴素贝叶斯模型算法之鸢尾花数据实验
机器学习(3.2)--PCA降维鸢尾花数据降维演示

机器学习(2)--邻近算法(KNN)

代码段一：

#-*- coding:utf-8 -*-
import numpy as np
import tensorflow as tf 
train = [['5.1', '3.5', '1.4', '0.2', 'Iris-setosa'], ['4.9', '3.0', '1.4', '0.2', 'Iris-setosa'], ['4.7', '3.2', '1.3', '0.2', 'Iris-setosa'], ['5.0', '3.6', '1.4', '0.2', 'Iris-setosa'], ['5.4', '3.9', '1.7', '0.4', 'Iris-setosa'], ['4.6', '3.4', '1.4', '0.3', 'Iris-setosa'], ['4.9', '3.1', '1.5', '0.1', 'Iris-setosa'], ['4.8', '3.0', '1.4', '0.1', 'Iris-setosa'], ['4.3', '3.0', '1.1', '0.1', 'Iris-setosa'], ['5.8', '4.0', '1.2', '0.2', 'Iris-setosa'], ['5.1', '3.5', '1.4', '0.3', 'Iris-setosa'], ['5.7', '3.8', '1.7', '0.3', 'Iris-setosa'], ['5.1', '3.8', '1.5', '0.3', 'Iris-setosa'], ['4.6', '3.6', '1.0', '0.2', 'Iris-setosa'], ['5.1', '3.3', '1.7', '0.5', 'Iris-setosa'], ['5.2', '3.5', '1.5', '0.2', 'Iris-setosa'], ['5.2', '3.4', '1.4', '0.2', 'Iris-setosa'], ['4.7', '3.2', '1.6', '0.2', 'Iris-setosa'], ['4.8', '3.1', '1.6', '0.2', 'Iris-setosa'], ['5.4', '3.4', '1.5', '0.4', 'Iris-setosa'], ['5.2', '4.1', '1.5', '0.1', 'Iris-setosa'], ['5.0', '3.2', '1.2', '0.2', 'Iris-setosa'], ['5.5', '3.5', '1.3', '0.2', 'Iris-setosa'], ['4.9', '3.1', '1.5', '0.1', 'Iris-setosa'], ['4.4', '3.0', '1.3', '0.2', 'Iris-setosa'], ['5.1', '3.4', '1.5', '0.2', 'Iris-setosa'], [&