將訓練好的模型參數保存起來，以便以後進行驗證或測試，這是我們經常要做的事情。tf裏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，並沒有實際多大的用處，因此不推薦。

當然，如果你只想保存最後一代的模型，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對象後，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後綴加入到模型名字中。

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

看一個mnist實例：

# -*- coding: utf-8 -*-
"""
Created on Sun Jun  4 10:29:48 2017

@author: Administrator
"""
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = 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()

代碼中紅色部分就是保存模型的代碼，雖然我在每訓練完一代的時候，都進行了保存，但後一次保存的模型會覆蓋前一次的，最終只會保存最後一次。因此我們可以節省時間，將保存代碼放到循環之外（僅適用max_to_keep=1,否則還是需要放在循環內).

在實驗中，最後一代可能並不是驗證精度最高的一代，因此我們並不想默認保存最後一代，而是想保存驗證精度最高的一代，則加個中間變量和判斷語句就可以了。

saver=tf.train.Saver(max_to_keep=1)
max_acc=0
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))
  if val_acc>max_acc:
      max_acc=val_acc
      saver.save(sess,‘ckpt/mnist.ckpt‘,global_step=i+1)
sess.close()

如果我們想保存驗證精度最高的三代，且把每次的驗證精度也隨之保存下來，則我們可以生成一個txt文件用於保存。

saver=tf.train.Saver(max_to_keep=3)
max_acc=0
f=open(‘ckpt/acc.txt‘,‘w‘)
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))
  f.write(str(i+1)+‘, val_acc: ‘+str(val_acc)+‘\n‘)
  if val_acc>max_acc:
      max_acc=val_acc
      saver.save(sess,‘ckpt/mnist.ckpt‘,global_step=i+1)
f.close()
sess.close()

模型的恢復用的是restore()函數，它需要兩個參數restore(sess, save_path)，save_path指的是保存的模型路徑。我們可以使用tf.train.latest_checkpoint（）來自動獲取最後一次保存的模型。如：

model_file=tf.train.latest_checkpoint(‘ckpt/‘)
saver.restore(sess,model_file)

則程序後半段代碼我們可以改為：

sess=tf.InteractiveSession()  
sess.run(tf.global_variables_initializer())

is_train=False
saver=tf.train.Saver(max_to_keep=3)

#訓練階段
if is_train:
    max_acc=0
    f=open(‘ckpt/acc.txt‘,‘w‘)
    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))
      f.write(str(i+1)+‘, val_acc: ‘+str(val_acc)+‘\n‘)
      if val_acc>max_acc:
          max_acc=val_acc
          saver.save(sess,‘ckpt/mnist.ckpt‘,global_step=i+1)
    f.close()

#驗證階段
else:
    model_file=tf.train.latest_checkpoint(‘ckpt/‘)
    saver.restore(sess,model_file)
    val_loss,val_acc=sess.run([loss,acc], feed_dict={x: mnist.test.images, y_: mnist.test.labels})
    print(‘val_loss:%f, val_acc:%f‘%(val_loss,val_acc))
sess.close()

標紅的地方，就是與保存、恢復模型相關的代碼。用一個bool型變量is_train來控制訓練和驗證兩個階段。

整個源程序：

# -*- coding: utf-8 -*-
"""
Created on Sun Jun  4 10:29:48 2017

@author: Administrator
"""
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = 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())

is_train=True
saver=tf.train.Saver(max_to_keep=3)

#訓練階段
if is_train:
    max_acc=0
    f=open(‘ckpt/acc.txt‘,‘w‘)
    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))
      f.write(str(i+1)+‘, val_acc: ‘+str(val_acc)+‘\n‘)
      if val_acc>max_acc:
          max_acc=val_acc
          saver.save(sess,‘ckpt/mnist.ckpt‘,global_step=i+1)
    f.close()

#驗證階段
else:
    model_file=tf.train.latest_checkpoint(‘ckpt/‘)
    saver.restore(sess,model_file)
    val_loss,val_acc=sess.run([loss,acc], feed_dict={x: mnist.test.images, y_: mnist.test.labels})
    print(‘val_loss:%f, val_acc:%f‘%(val_loss,val_acc))
sess.close()

參考文章：http://blog.csdn.net/u011500062/article/details/51728830

tensorflow 1.0 學習：模型的保存與恢復(Saver)