一、TensorFlow常規模型加載方法

保存模型

tf.train.Saver()類，.save(sess, ckpt文件目錄)方法

var_list是字典形式{變量名字符串: 變量符號}，相對應的restore也根據同樣形式的字典將ckpt中的字符串對應的變量加載給程序中的符號。

如果Saver給定了字典作為加載方式，則按照字典來，如：saver = tf.train.Saver({"v/ExponentialMovingAverage":v})，否則每個變量尋找自己的name屬性在ckpt中的對應值進行加載。

加載模型

當我們基于checkpoint文件(ckpt)加載參數時，實際上我們使用Saver.restore取代了initializer的初始化

checkpoint文件會記錄保存信息，通過它可以定位最新保存的模型：

ckpt = tf.train.get_checkpoint_state('./model/')print(ckpt.model_checkpoint_path)

.meta文件保存了當前圖結構

.index文件保存了當前參數名

.data文件保存了當前參數值

tf.train.import_meta_graph函數給出model.ckpt-n.meta的路徑后會加載圖結構，并返回saver對象

ckpt = tf.train.get_checkpoint_state('./model/')

tf.train.Saver函數會返回加載默認圖的saver對象，saver對象初始化時可以指定變量映射方式，根據名字映射變量(『TensorFlow』滑動平均)

saver = tf.train.Saver({"v/ExponentialMovingAverage":v}) 

saver.restore函數給出model.ckpt-n的路徑后會自動尋找參數名-值文件進行加載

saver.restore(sess,'./model/model.ckpt-0')saver.restore(sess,ckpt.model_checkpoint_path)

1.不加載圖結構，只加載參數

由于實際上我們參數保存的都是Variable變量的值，所以其他的參數值（例如batch_size）等，我們在restore時可能希望修改，但是圖結構在train時一般就已經確定了，所以我們可以使用tf.Graph().as_default()新建一個默認圖（建議使用上下文環境），利用這個新圖修改和變量無關的參值大小，從而達到目的。