Tensorflow学习(9)-通过MNIST数字识别问题学习（3）- 模型持久化-优快云博客

本文链接：https://blog.youkuaiyun.com/dreamer777777/article/details/103181177

本文详细介绍了如何使用TensorFlow的tf.train.Saver类保存和加载神经网络模型。通过实例演示了模型的保存过程，包括生成的.meta文件和.ckpt文件，以及如何在后续的会话中恢复模型进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

持久化代码实现

TensorFlow提供了一个非常简单的API来保存和还原一个神经网络模型。这个API是tf.train.Saver类。

以下代码给出保存TensorFlow计算图的方法。

import tensorflow as tf

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1"))
v2 = tf.Variable(tf.constant(2.0,shape=[1],name="v2"))
result = v1 + v2
init_op = tf.global_variables_initializer()
# 声明tf.train.Saver()类用于保存模型
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init_op)
    saver.save(sess,"model/model.ckpt")

以上代码实现了持久化一个简单的TensorFlow模型的功能。

上面这段代码会生成第一个文件为model.ckpt.meta，他保存了TensorFlow计算结构。

第二个文件为model.ckpt，这个文件保存了TensorFlow程序每一个变量的取值。

还有一个checkpoint文件，保存了一个目录下所有的模型文件列表。

以下代码中给出加载已保存TensorFlow模型的方法

import tensorflow as tf

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1"))
v2 = tf.Variable(tf.constant(0.0,shape=[1],name="v2"))
result = v1 + v2

saver = tf.train.Saver()
with tf.Session() as sess:
    #加载已保存的模型，并通过已保存的模型中的变量的值来计算加法
    saver.restore(sess,"model/model.ckpt")
    print(sess.run(result)) # 输出3.0(值用的模型里的值)

待更新。。。