將訓練好的模型參數保存起來，以便以后進行驗證或測試，這是我們經常要做的事情。tf里面提供模型保存的是tf.train.Saver()模塊。

模型保存，先要創建一個Saver對象：如

saver=tf.train.Saver()

在創建這個Saver對象的時候，有一個參數我們經常會用到，就是 max_to_keep 參數，這個是用來設置保存模型的個數，默認為5，即 max_to_keep=5，保存最近的5個模型。如果你想每訓練一代（epoch)就想保存一次模型，則可以將 max_to_keep設置為None或者0，如：

saver=tf.train.Saver(max_to_keep=0)

但是這樣做除了多占用硬盤，并沒有實際多大的用處，因此不推薦。

當然，如果你只想保存最后一代的模型，則只需要將max_to_keep設置為1即可，即

saver=tf.train.Saver(max_to_keep=1)

創建完saver對象后，就可以保存訓練好的模型了，如：

saver.save(sess,'ckpt/mnist.ckpt',global_step=step)

第一個參數sess,這個就不用說了。第二個參數設定保存的路徑和名字，第三個參數將訓練的次數作為后綴加入到模型名字中。

saver.save(sess, 'my-model', global_step=0) ==>      filename: 'my-model-0'
 ...
 saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'

看一個mnist實例：

# -*- coding: utf-8 -*-"""Created on Sun Jun 4 10:29:48 2017@author: Administrator"""import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=False)x = tf.placeholder(tf.float32, [None, 784])y_=tf.placeholder(tf.int32,[None,])dense1 = tf.layers.dense(inputs=x,            units=1024,            activation=tf.nn.relu,           kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),           kernel_regularizer=tf.nn.l2_loss)dense2= tf.layers.dense(inputs=dense1,            units=512,            activation=tf.nn.relu,           kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),           kernel_regularizer=tf.nn.l2_loss)logits= tf.layers.dense(inputs=dense2,             units=10,             activation=None,            kernel_initializer=tf.truncated_normal_initializer(stddev=0.01),            kernel_regularizer=tf.nn.l2_loss)loss=tf.losses.sparse_softmax_cross_entropy(labels=y_,logits=logits)train_op=tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)correct_prediction = tf.equal(tf.cast(tf.argmax(logits,1),tf.int32), y_)  acc= tf.reduce_mean(tf.cast(correct_prediction, tf.float32))sess=tf.InteractiveSession() sess.run(tf.global_variables_initializer())saver=tf.train.Saver(max_to_keep=1)for i in range(100): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_op, feed_dict={x: batch_xs, y_: batch_ys}) val_loss,val_acc=sess.run([loss,acc], feed_dict={x: mnist.test.images, y_: mnist.test.labels}) print('epoch:%d, val_loss:%f, val_acc:%f'%(i,val_loss,val_acc)) saver.save(sess,'ckpt/mnist.ckpt',global_step=i+1)sess.close()