tensorflow：模型的保存和训练过程可视化

在使用tf来训练模型的时候，难免会出现中断的情况。这时候自然就希望能够将辛辛苦苦得到的中间参数保留下来，不然下次又要重新开始。

保存模型的方法：

#之前是各种构建模型graph的操作(矩阵相乘，sigmoid操作等...)
saver=tf.train.Saver()#生成saver
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())#先对模型进行初始化
    #然后将数据丢入模型进行训练blabla
    #训练完之后，使用saver.save来保存
    saver.save(sess,'save_pathfile_name')#file_name如果不存在的话，将会自动创建

将模型保存好以后，载入也比较方便。

saver=tf.train.Saver()
    with tf.Session() as sess:
        #参数可以进行初始化也可以不进行初始化，即使初始化了，初始化的值也会被restore的值覆盖
        sess.run(tf.global_variables_initializer())
        saver.restore(sess,'save_pathfile_name')#会将已经保存的变量值restore到变量中

使用tensorboard来使训练过程可视化

tensorflow还提供了一个可视化工具，叫tensorboard.启动以后，可以通过网页来观察模型的结构和训练过程中各个参数的变化。

流程如下所示：
1.使用tf.scalar_summary来收集想要显示的变量

2.定义一个summary op，用来汇总多个变量

3.得到一个summary writer，指定写入路径

4.通过summary_str=sess.run()

#由之前的各种运算得到此批数据的loss
loss=......
#使用tf.scalar_summary来收集想要显示的变量，命名为loss
tf.scalar_summary('loss',loss)
#定义一个summary op，用来汇总由scalar_summary记录的所有变量
merged_summary_op=tf.merge_all_summaries()
#生成一个summary writer对象，需要指定写入路径
summary_writer=tf.train.SummaryWriter('/tmp/logdir',sess.graph)
#开始训练，分批喂数据
for i in range(batch_sum):
    #使用sess.run来得到merged_summary_op的返回值
    summary_str=sess.run(merged_summary_op)
    #使用summary writer将运行中的loss值传入
    summary_writer.add_summary(summary_str,i)

接下里，程序开始运行之后，到shell中运行：

$ tensorboard --logdir /tmp/logdir

开始运行tensorboard.接下来打开浏览器，进入127.0.0.1:6006 就能够看到loss值在训练中的变化值了。