tensorflow保存模型的两种方法

由于神经网络训练比较复杂所以可能需要先保存训练好的模型，然后再需要的时候进行调用，下面介绍两种保存模型的方法：

方法一：使用tf.train.Saver()

保存代码，该方法保存的模型比较全，只要定义的变量均可获取，导入的模型与当前生成几乎具有一样的能力：

#定义占位符，具有名称的变量可以被在导入模型后获取
x = tf.placeholder(tf.float32, [None, 784], name ='x')
y_ = tf.placeholder(tf.int64, [None], name='y_')

#有些变量名难以定义，可以通过下面的方法保存
tf.add_to_collection('pred_network', y_conv)
tf.add_to_collection('pred_network', keep_prob)

#保存模型，目录model，前缀mnist_model
saver = tf.train.Saver()
with tf.Session() as sess:
    #训练部分，省略
	saver.save(sess, './model/mist_model')

加载：

with tf.Session() as sess:
    model = tf.train.import_meta_graph('./model/mist_model.meta')
    model.restore(sess, './model/mist_model')
    
    #加载变量，注意变量名必须是定义过的：
    #这部分因为是将变量存入一个集合中，所以需要注意顺序
	y_conv = tf.get_collection('pred_network')[0]
    keep_prob = tf.get_collection('pred_network')[1]
    
    graph = tf.get_default_graph()
    x = graph.get_operation_by_name('x').outputs[