tensorflow保存网络参数并调用迁移参数

为了节省训练时间和训练所需资源等，我们常常直接利用以前（或别人）训练好的网络模型，加载模型中保存好的各项参数，继续训练或者迁移到其他相似任务中微调参数，或者直接测试使用。

参数保存：
tensorflow中一般使用Saver类中的tf.train.Saver.save()方法保存网络参数，它会在我们设定的参数文件夹中生成三个二进制文件：checkpoints(ckpt)，它们保存的是所有参数名的tensor映射。

tf.train.Saver.save(sess, save_path, global_step=None, latest_filename=None, meta_graph_suffix='meta', write_meta_graph=True, write_state=True)

使用方法：在构建网络结构之后加入如下代码，创建Saver类的实例：

saver = tf.train.Saver()

在训练后，调用save方法，即可在model_path路径下保存全部网络参数：

  save_path = saver.save(sess, model_path)  

参数调用：
使用tf.train.Saver.restore()方法调用保存在路径model_path下的ckpt文件：

tf.train.Saver.restore(sess, model_path)

调用训练好的网络中的参数加载到自己的网络中训练或测试，需要这两个网络的结构、参数设置完全一致。
在训练或测试时，使用如下代码，即可实现参数的加载：

saver.restore(sess, model_path)