使用Tensorflow框架完美保存并实现调用训练好的模型（是模型不是参数哦、全网首篇）

众所周知，Tensorflow框架在机器学习、深度学习领域有着广泛的应用。博主最近就Tensorflow框架进行了简单的学习，当我完成简单的回归模型以及CNN的训练后，一个想法油然而生，怎样将训练好的模存保存呢？保存之后又该怎么调用呢？----------于是，我查阅了很多相关资料，经过很多的测试，终于…成功了！现将如何保存和调用训练好的模型总结如下（提一下，本文以CNN为例，数据集是众所周知的MNIST）：

1.模型的保存

模型的保存通常有两种方法，一种是Tensorflow老版本中的t.trans.saver，另一种是新版本中的tf.saved_model.builder，博主使用的是后者，所以对于第一种方法也就一带而过。

1.1 tf.train.saver这种方法是使用较多的，但是呢，这种方法更多地是用来保存变量（变量）的，所以博主也就没有了解太多，下文po一段典型代码：

import tensorflow as tf 
... 
＃在这里构建网络
... 
＃开始保存模型
与tf.Session（）作为sess：
	sess.run（tf.global_variables_initializer（））＃一定要先初始化整个流
	＃在这里训练网络
	... 
	＃保存参数
	saver = tf.train.Saver（）
		saver.save（sess，PATH）＃PATH就是要保存的路径	

1.2 tf.saved_model.builder

下文只放出保存模型的关键代码，至于训练的过程，会在后续一并放出，整体分析。

将tensorflow import 为tf
...
＃构建网络
...
用tf.Session（）作为sess：
	sess.run（tf.global_variables_initializer（））＃一定要先初始化整个流
	＃在这里训练网络
	...
	＃保存参数
	builder = tf.saved_model.builder.SaveModelBuilder（PATH）#PATH是保存路径
	builder.add_meta_graph_and_variables（sess，[tf.saved_model.tag_constants.TRAINING]）＃保存整张网络及其变量，这种方法是可以保存多张网络的，在此不作介绍，可自行了解
	builder.save（）＃完成保存

2.模型的调用

以上就简单介绍了两种保存模型的方法，接下来介绍一下读取模型的方法，只讲基于tf.saved_model.builder方法的读取模型了>划重点！完整调用并使用一个模型，分为加载网络和加载关键节点两个部分。幸运的是，使用tf.saved_model.builder保存和调用模型，这一切都变得非常简单~~~

2.1加载网络废话不多说，直接po出代码：

将tensorflow import 为tf 
用tf.Session（graph = tf.Graph（））作为sess：
	tf.saved_model.loader.load（sess，[tf.saved_model.tag_constants.TRAINING]，PATH）#PATH还是路径
	... 
	...

emmmm …只要通过这么几句代码，就可以完成模型的调用了，但是呢，想要真正地使用这个网络，关键点在于加载网络中的关键节点，如：输入，输出

2.2加载张量（节点，Tensor，变量）神经元，可以是加载张量，也可以是加载节点，变量，代码也非常简单，在上节的基础上，加载张量的代码就只有一句话：

＃以加载输入变量为例吧
input_x = sess.graph.get_tensor_by_name（'input / input_x：0'）＃传入的参数会在后文讲到的

3.使用训练好的网络

当把输入的变量以及输出的变量都加载后，就可以使用网络了，假设输出变量为输出，输入变量为X和Y，那么使用这个网络的代码就可以表示如下：

sess.run（output，{
   
   x：_x，y：_y}）＃大括号的内容就是feed_dict了，使用方法类似于占位符

简要的思路

就结合我的代码来具体分析一下整个过程吧,先说一下简要的思路：

• 训练网络，并构建TensorBoard中的图形图，用于确定网络的关键节点，保存整个网络;
• 通过TensorBoard查找整个的数据流向，确定输入节点，输出节点;

---

以下是CNN网络的训练和保存部分：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_dat