TensorFlow 更新频率实在太快，从 1.0 版本正式发布后，很多 API 接口就发生了改变。今天用 TF 训练了一个 CNN 模型，结果在保存模型的时候居然遇到各种问题。Google 搜出来的答案也是莫衷一是，有些回答对 1.0 版本的已经不适用了。后来实在没办法，就翻了墙去官网看了下，结果分分钟就搞定了～囧～。
这篇文章内容不多，主要讲讲 TF v1.0 版本中保存和读取模型的最简单用法，其实就是对官网教程的简要翻译摘抄。
保存和恢复
在 TensorFlow 中，保存和恢复模型最简单的方法就是使用 tf.train.Saver 类。这个类会将变量的保存和恢复操作添加到 TF 的图（graph）中。
Checkpoint 文件
TF 将变量保存在二进制文件中，这个文件包含一个从变量名到 tensor 值的映射。当我们创建一个 Saver 对象的时候，我们可以指定 checkpoint 文件中的变量名。默认会使用变量的 Variable.name 属性。
这一段读起来比较生涩难懂，具体看下面的例子。
保存变量
可以通过创建 Saver 来管理模型内的所有变量。
# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
with tf.Session() as sess:
sess.run(init_op)
# Do some work with the model.
..
# Save the variables to disk.
save_path = saver.save(sess, "/tmp/model.ckpt")
print("Model saved in file: %s" % save_path)
恢复变量
可以通过同一个 Saver 对象（指定相同的保存路径）来恢复变量。这种情况下，我们不需要事先初始化变量（即无需调用 tf.global_variables_initializer()）
# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
# Restore variables from disk.
saver.restore(sess, "/tmp/model.ckpt")
print("Model restored.")
# Do some work with the model
...
例子
下面用我自己的例子解释一下。
首先，我们先定义一个图模型（只截选出变量部分）：
graph = tf.Graph()
with graph.as_default():
# Input data
# ....省略代码若干
# Variables
layer1_weights = tf.Variable(tf.truncated_normal(
[patch_size, patch_size, image_channels, depth], stddev=0.1), name="layer1_weights")
layer1_biases = tf.Variable(tf.zeros([depth]), name="layer1_biases")
layer2_weights = tf.Variable(tf.truncated_normal(
[image_size // 4 * image_size // 4 * depth, num_hidden], stddev=0.1, name="layer2_weights")
)
layer2_biases = tf.Variable(tf.constant(1.0, shape=[num_hidden]), name="layer2_biases")
layer3_weights = tf.Variable(tf.truncated_normal(
[num_hidden, num_labels], stddev=0.1, name="layer3_weights"),
)
layer3_biases = tf.Variable(tf.constant(1.0, shape=[num_labels]), name="layer3_biases")
def model(data):
#....省略代码若干
return tf.matmul(fc1, layer3_weights) + layer3_biases
# Training computation
#....省略代码若干
# Optimizer
optimizer = tf.train.GradientDescentOptimizer(0.05).minimize(loss)
这个模型里的变量其实只有三个网络层的参数：layer1_weights，layer1_biases，layer2_weights，layer2_biases，layer3_weights，layer3_biases。
然后就是启动会话进行训练：
with tf.Session(graph=graph) as session:
saver = tf.train.Saver()
if loading_model:
saver.restore(session, model_folder + "/" + model_file)
print("Model restored")
else:
tf.global_variables_initializer().run()
print("Initialized")
for step in range(num_steps):
# ....省略训练模型的代码
print('Test accuracy: %.1f%%' % accuracy(test_prediction.eval(), test_labels))
save_path = saver.save(session, model_folder + "/" + model_file)
print("Model saved in file: ", save_path)
这段代码是本文的关键，我们先通过 tf.train.Saver() 构造一个 Saver 对象，注意，这一步要在 Session 启动之后执行，否则会抛异常 ValueError("No variables to save")，至少 v1.0 是这样。
通过 Saver，我们可以在模型训练完之后，将参数保存下来。Saver 保存数据的方法十分简单，只要将 session 和文件路径传入 save 函数即可：saver.save(session, model_folder + "/" + model_file)。
如果我们一开始想载入本地的模型文件，而不是让 TF 自动初始化训练，则可以通过 Saver 的 restore 函数读取模型文件，文件路径需要和之前保存的文件路径一致。注意，如果是通过这种方式初始化变量，则不能再调用 tf.global_variables_initializer() 函数。之后，训练或预测的代码不需要改变，TensorFlow 会自动根据模型文件，将你的模型参数初始化。
当然啦，以上都是最基础的用法，只是简单地将所有参数保存下来。更高级的用法，之后如果使用到再继续总结。