tf.train.Saver()

使用方法

tf.train.Saver() 作用：保存和加载模型

saver = tf.train.Saver()

saver.save(sess, ‘路径 + 模型文件名’）

在创建这个 Saver 对象的时候， max_to_keep 参数表示要保留的最近检查点文件的最大数量，创建新文件时，将删除旧文件，默认为 5（即保留最近的 5 个检查点文件），max_to_keep=5。

需要注意的是，tensorflow变量的作用范围是在一个session里面，所以在保存模型的时候，应该在session里面通过save方法保存。

saver = tf.train.Save(max_to_keep=5)

具体格式如下：

saver = tf.train.Saver(...variables...)
 
__init__(
    var_list=None, #var_list指定要保存和恢复的变量
    reshape=False,
    sharded=False,
    max_to_keep=5,
    keep_checkpoint_every_n_hours=10000.0,
    name=None,
    restore_sequentially=False,
    saver_def=None,
    builder=None,
    defer_build=False,
    allow_empty=False,
    write_version=tf.train.SaverDef.V2,
    pad_step_number=False,
    save_relative_paths=False,
    filename=None
)

global_step表示每多少次（1000次）就保存一下模型

saver.save(sess, 'my_test_model',global_step=1000)

当然在训练的时候，假设每1000次就保存一次模型，但是这些保存的文件中变化的仅仅是神经网络的variable，而网络结构没有变化，没必要重复保存.meta文件。

所以我们可以设置只让网络结构保存一次：

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

如果只想保留最新的5个模型，并希望每1个小时保存一次，可以使用max_to_keep和keep_checkpoint_every_n_hours:

#saves a model every 1 hours and maximum 5 latest models are saved.
saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)

保存参数：

weight=[weights['wc1'],weights['wc2'],weights['wc3a']]
saver = tf.train.Saver(weight)#创建一个saver对象，.values是以列表的形式获取字典值
saver.save(sess,'model.ckpt')

恢复参数：

weight=[weights['wc1'],weights['wc2'],weights['wc3a']]
saver = tf.train.Saver(weight)#创建一个saver对象，.values是以列表的形式获取字典值
saver.restore(sess, model_filename)

简单例子（保存）

import tensorflow as tf
import os
import numpy as np
 
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
 
model_save_path = './model/'
model_name = 'model'
 
saver = tf.train.Saver()
 
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    for step in np.arange(num):
        c = sess.run(tf.add(a, b))
        #checkpoint_path = os.path.join(model_save_path, model_name)
        # 默认最多同时存放 5 个模型
        saver.save(sess, os.path.join(model_save_path, model_name), global_step=step)

Tensorflow 会自动生成4个文件

— model.ckpt.meta，保存了 Tensorflow 计算图的结构，可以简单理解为神经网络的网络结构。它保存了tensorflow完整的网络图结构。这个文件以 *.meta为拓展名。

—model.ckpt.index 和 —model.ckpt.data--of- 文件保存了所有变量的取值。

— checkpoint 文件， 保存了一个目录下所有的模型文件列表。

简单例子（恢复）

import tensorflow as tf
import os
import numpy as np
 
a = tf.Variable(1., tf.float32)
b = tf.Variable(2., tf.float32)
num = 10
 
model_save_path = './model/'
model_name = 'model'
 
saver = tf.train.Saver()
 
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    ckpt = tf.train.get_checkpoint_state(model_save_path)
    # 载入模型，不需要提供模型的名字，会通过 checkpoint 文件定位到最新保存的模型
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess, ckpt.model_checkpoint_path)
    print("load success")