Saver的用法

1. Saver的背景介紹

我們經常在訓練完一個模型之后希望保存訓練的結果，這些結果指的是模型的參數，以便下次迭代的訓練或者用作測試。Tensorflow針對這一需求提供了Saver類。

Saver類提供了向checkpoints文件保存和從checkpoints文件中恢復變量的相關方法。Checkpoints文件是一個二進制文件，它把變量名映射到對應的tensor值 。

只要提供一個計數器，當計數器觸發時，Saver類可以自動的生成checkpoint文件。這讓我們可以在訓練過程中保存多個中間結果。例如，我們可以保存每一步訓練的結果。

為了避免填滿整個磁盤，Saver可以自動的管理Checkpoints文件。例如，我們可以指定保存最近的N個Checkpoints文件。

2. Saver的實例

下面以一個例子來講述如何使用Saver類 

import tensorflow as tf import numpy as np  x = tf.placeholder(tf.float32, shape=[None, 1]) y = 4 * x + 4  w = tf.Variable(tf.random_normal([1], -1, 1)) b = tf.Variable(tf.zeros([1])) y_predict = w * x + b loss = tf.reduce_mean(tf.square(y - y_predict)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss)  isTrain = False train_steps = 100 checkpoint_steps = 50 checkpoint_dir = ''  saver = tf.train.Saver() # defaults to saving all variables - in this case w and b x_data = np.reshape(np.random.rand(10).astype(np.float32), (10, 1))  with tf.Session() as sess:   sess.run(tf.initialize_all_variables())   if isTrain:     for i in xrange(train_steps):       sess.run(train, feed_dict={x: x_data})       if (i + 1) % checkpoint_steps == 0:         saver.save(sess, checkpoint_dir + 'model.ckpt', global_step=i+1)   else:     ckpt = tf.train.get_checkpoint_state(checkpoint_dir)     if ckpt and ckpt.model_checkpoint_path:       saver.restore(sess, ckpt.model_checkpoint_path)     else:       pass     print(sess.run(w))     print(sess.run(b)) 

isTrain：用來區分訓練階段和測試階段，True表示訓練，False表示測試 train_steps：表示訓練的次數，例子中使用100 checkpoint_steps：表示訓練多少次保存一下checkpoints，例子中使用50 checkpoint_dir：表示checkpoints文件的保存路徑，例子中使用當前路徑

2.1 訓練階段

使用Saver.save()方法保存模型：

sess：表示當前會話，當前會話記錄了當前的變量值 checkpoint_dir + 'model.ckpt'：表示存儲的文件名 global_step：表示當前是第幾步

訓練完成后，當前目錄底下會多出5個文件。