IT虾米网
什么是TF模型：

在训练一个神经网络模型后，你会保存这个模型未来使用或部署到产品中。所以，什么是TF模型？TF模型基本包含网络设计或图，与训练得到的网络参数和变量。因此，TF模型具有两个主要文件：
a)meta图
这是一个拟定的缓存，包含了这个TF图完整信息；如所有变量等等。文件以.meta结束。
b)检查点文件：
这个文件是一个二进制文件，包含所有权重、偏移、梯度和所有其它存储的变量的值。这个文件以.ckpy结束。然而，TF已经在0.11版本后不再以这个形式了。转而文件包含如下文件 ：
mymodel.data-00000-of-00001
mymodel.index
.data文件包含训练变量。
除此之外 ，TF还包含一个名为“checkpoint”的文件 ，保存最后检查点的文件。
所以，综上，TF模型包含如下文件 ：

• my_test_model.data-00000-of-00001
• my_test_model.index
• my_test_model.meta
• checkpoint**

2保存一个TF模型
saver = tf.train.Saver()
注意，你需要在一个session中保存这个模型
Python
1saver.save(sess, ‘my-model-name’)
完整的例子为：

import tensorflow as tf 
w1 = 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, 'my_test_model')

如果是在TF模型迭代1000步后保存这个模型，可以指定步数
saver.save(sess, ‘my_test_model’,global_step=1000)

3.加载一个预训练的模型
a)创建网络
使用tf.train.import()函数加载以前保存的网络。
saver = tf.train.import_meta_graph(‘my-model-1000.meta’)
注意，import_meta_graph将保存在.meta文件中的图添加到当前的图中。所以，创建了一个图/网络，但是我们使用需要加载训练的参数到这个图中。

b)加载参数

'''restore tensor from model''' 
w_out= self.graph.get_tensor_by_name('W:0') 
b_out = self.graph.get_tensor_by_name('b:0') 
_input = self.graph.get_tensor_by_name('x:0') 
_out = self.graph.get_tensor_by_name('y:0') 
y_pre_cls = self.graph.get_tensor_by_name('output:0')

注意问题1：
初始保存位置如果为e:，则这个位置被保存在checkpoint中
修改后：
model_checkpoint_path: “E:\tmp\newModel\crack_capcha.model-8100”
all_model_checkpoint_paths: “E:\tmp\newModel\crack_capcha.model-8100”

这个过程形象的描述
Technically, this is all you need to know to create a class-based neural network that defines the fit(X, Y) and predict(X) functions.

见stackoverFlow解释
In( and After) TensorFlow version 0.11.0RC1, you can save and restore your model directly by calling tf.train.export_meta_graph and tf.train.import_meta_graph according tohttps://www.tensorflow.org/programmers_guide/meta_graph
save model:

w1 = tf.Variable(tf.truncated_normal(shape=[10]), name='w1') 
w2 = tf.Variable(tf.truncated_normal(shape=[20]), name='w2') 
tf.add_to_collection('vars', w1) 
tf.add_to_collection('vars', w2) 
saver = tf.train.Saver() 
sess = tf.Session() 
sess.run(tf.global_variables_initializer()) 
saver.save(sess, 'my-model')

**# save method will call export_meta_graph implicitly.
you will get saved graph files:my-model.meta**
restore model:

sess = tf.Session() 
new_saver = tf.train.import_meta_graph('my-model.meta') 
new_saver.restore(sess, tf.train.latest_checkpoint('./')) 
all_vars = tf.get_collection('vars') 
for v in all_vars: 
    v_ = sess.run(v) 
    print(v_)

一个完整的例子：
self.session = tf.Session(graph=self.graph)

with self.graph.as_default():####默认图与自定义图的关系 
    ckpt = tf.train.get_checkpoint_state(self.savefile) 
       if ckpt and ckpt.model_checkpoint_path: 
           print(''.join([ckpt.model_checkpoint_path,'.meta'])) 
           self.saver = tf.train.import_meta_graph(''.join([ckpt.model_checkpoint_path,'.meta'])) 
           self.saver.restore(self.session,ckpt.model_checkpoint_path) 
       #print all variable 
       for op in self.graph.get_operations(): 
       print(op.name, " " ,op.type) 
       #返回模型中的tensor 
       layers = [op.name for op in self.graph.get_operations() if op.type=='Conv2D' and 'import/' in op.name] 
       layers = [op.name for op in self.graph.get_operations()] 
       feature_nums = [int(self.graph.get_tensor_by_name(name+':0').get_shape()[-1]) for name in layers] 
       for feature in feature_nums: 
            print(feature) 
 
     '''restore tensor from model''' 
     w_out = self.graph.get_tensor_by_name('W:0') 
     b_out = self.graph.get_tensor_by_name('b:0') 
     _input = self.graph.get_tensor_by_name('x:0') 
     _out = self.graph.get_tensor_by_name('y:0') 
     y_pre_cls = self.graph.get_tensor_by_name('output:0') 
     #self.session.run(tf.global_variables_initializer())   ####非常重要，不能添加这一句 
        pred = self.session.run(y_pre_cls,feed_dict={
  
   _input:_X}) 
        return pred

中间有许多坑，但是成功的加载执行后，对模型的了解也加深了