使用tensorflow過程中，訓練結束后我們需要用到模型文件。有時候，我們可能也需要用到別人訓練好的模型，并在這個基礎上再次訓練。這時候我們需要掌握如何操作這些模型數據。看完本文，相信你一定會有收獲！

1 Tensorflow模型文件

我們在checkpoint_dir目錄下保存的文件結構如下：

|--checkpoint_dir| |--checkpoint| |--MyModel.meta| |--MyModel.data-00000-of-00001| |--MyModel.index

1.1 meta文件

MyModel.meta文件保存的是圖結構，meta文件是pb（protocol buffer）格式文件，包含變量、op、集合等。

1.2 ckpt文件

ckpt文件是二進制文件，保存了所有的weights、biases、gradients等變量。在tensorflow 0.11之前，保存在.ckpt文件中。0.11后，通過兩個文件保存,如：

MyModel.data-00000-of-00001MyModel.index

1.3 checkpoint文件

我們還可以看，checkpoint_dir目錄下還有checkpoint文件，該文件是個文本文件，里面記錄了保存的最新的checkpoint文件以及其它checkpoint文件列表。在inference時，可以通過修改這個文件，指定使用哪個model

2 保存Tensorflow模型

tensorflow 提供了tf.train.Saver類來保存模型，值得注意的是，在tensorflow中，變量是存在于Session環境中，也就是說，只有在Session環境下才會存有變量值，因此，保存模型時需要傳入session：

saver = tf.train.Saver()saver.save(sess,"./checkpoint_dir/MyModel")

看一個簡單例子：

import tensorflow as tfw1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')saver = tf.train.Saver()sess = tf.Session()sess.run(tf.global_variables_initializer())saver.save(sess, './checkpoint_dir/MyModel')

執行后，在checkpoint_dir目錄下創建模型文件如下：

checkpointMyModel.data-00000-of-00001MyModel.indexMyModel.meta

另外，如果想要在1000次迭代后，再保存模型，只需設置global_step參數即可：

saver.save(sess, './checkpoint_dir/MyModel',global_step=1000)

保存的模型文件名稱會在后面加-1000,如下：

checkpointMyModel-1000.data-00000-of-00001MyModel-1000.indexMyModel-1000.meta

在實際訓練中，我們可能會在每1000次迭代中保存一次模型數據，但是由于圖是不變的，沒必要每次都去保存，可以通過如下方式指定不保存圖：

saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)

另一種比較實用的是，如果你希望每2小時保存一次模型，并且只保存最近的5個模型文件：

tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=2)

注意：tensorflow默認只會保存最近的5個模型文件，如果你希望保存更多，可以通過max_to_keep來指定