之前通過CNN進行的MNIST訓練識別成功率已經很高了，不過每次運行都需要消耗很多的時間。在實際使用的時候，每次都要選經過訓練後在進行識別那就太不方便了。

所以我們學習一下如何將訓練習得的參數保存起來，然後在需要用的時候直接使用這些參數進行快速的識別。

本章節代碼來自《Tensorflow 實戰Google深度學習框架》5.5 TensorFlow 最佳實踐樣例程序 針對書中的代碼做了一點點的調整。

mnist_inference.py:

#coding=utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

INPUT_NODE 
 
= 784
OUTPUT_NODE = 10
LAYER1_NODE = 500

def get_weight_variable(shape, regularizer):
    weights = tf.get_variable("weights", shape, initializer = tf.truncated_normal_initializer(stddev=0.1))
    if regularizer != None:
        tf.add_to_collection(‘losses‘, regularizer(weights))
    return weights

def inference(input_tensor, regularizer):
    with tf.variable_scope(
 
‘layer1‘):
        weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
        biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)

    with tf.variable_scope(‘layer2‘):
        weights 
 
= get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
        biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
        layer2 = tf.matmul(layer1, weights) + biases

    return layer2

這裏是向前傳播的方法文件。這個方法在訓練和測試的過程都需要用到，將它抽離出來既能使用起來更加方便，也能保證訓練和測試時使用的方法保持一致。

get_variable

 weights = tf.get_variable("weights", shape, initializer = tf.truncated_normal_initializer(stddev=0.1))

源代碼第十行使用get_variable函數獲取變量。

在訓練網絡是會創建這些變量；

在測試時會通過訓練時保存的模型加載這些變量的值。

（未完待續。。。。）

TensorFlow 存儲與讀取