模型文件（checkpoint）对模型参数的储存与恢复

1.  模型参数的保存：

import tensorflow as tf
w=tf.Variable(0.0,name='graph_w')
ww=tf.Variable(tf.random_normal(shape=(2,3),stddev=0.5),name='graph_ww')
# double=tf.multiply(2.0,w)
saver=tf.train.Saver({'weights_w':w,'weights_ww':ww})  # 此处模型文件关键字可以自己命名，如weights_w与weights_ww
# 关键字所对应的值名字为变量w与ww，而不是graph_w与graph_ww,否则会报错。{'weights_w':w,'weights_ww':ww}为模型文件
# 需要保存的变量，用字典形式书写出来，若无此字典，默认保存全部。
sess=tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(4):
    d=sess.run(tf.assign_add(w,2))  # 这一步对w进行计算，得到最后值为8，最终将其保存saver种
    # 其中 w 必须为变量名为w，不能是graph中的graph_w，否则会报错
    print(d)
print('w=',sess.run(w))
print('ww=',sess.run(ww))
saver.save(sess,'test.ckpt')




2. 模型参数的恢复：

import tensorflow as tf
restore_w=tf.Variable(0.0,name='weights_w')
restore_ww=tf.Variable(tf.random_normal(shape=(2,3),stddev=0.5),name='weights_ww') # 尽管有初始值，但未调用tf.global_variables_initializer()此函数，则不会将其初始值赋值给该变量
# restore_w与restore_ww分别对应保存变量的w与ww的恢复，若想恢复则graph必须是对应保存变量名对应字典的关键字，
# 否则将会报错。即恢复对应变量参数的变量名字可以自己重新命名，但graph中的名字必须是字典关键字。
double=tf.multiply(2.0,restore_w)
saver=tf.train.Saver()
sess=tf.Session()
saver.restore(sess,'test.ckpt')
f=sess.run(double)  
print(f)
print('restore_ww=',sess.run(restore_ww))

总结：
　　① 变量初始化有2种方法，若不调用tf.global_variables_initializer()或tf.variables_initializer()函数就不会将变量restore_ww=tf.Variable(tf.random_normal(shape=(2,3),stddev=0.5),name='weights_ww')
　　　　初始化。相反，使用saver.restore（）将其变量初始化了。同时，也说明变量初始化才不会报错。
　　②  模型参数以字典形式保存，其key可自己命名，其value必须为变量（非graph的name）。
　　③  模型参数恢复对应变量可以自己命名，但对应变量中graph的name必须是保存模型参数对应变量的关键字（key）。