1、模型保存
模型保存需要使用函数 tf.train.Saver()，
a）创建saver时，可以指定需要存储的tensor，如果没有指定，则全部保存。
b) 创建saver时，可以指定保存的模型个数，利用max_to_keep=4，则最终会保存4个模型。
c) saver.save()函数里面可以设定global_step，说明是哪一步保存的模型。
d) 程序结束后，会生成四个文件：存储网络结构.meta、存储训练好的参数.data和.index、记录最新的模型checkpoint。
示例: saver.save(sess, "model_ame, global_step=epoch)
https://blog.csdn.net/liuxiao214/article/details/79048136
2、"Can not convert a ndarray into a Tensor or Operation"报错
https://blog.csdn.net/michael__corleone/article/details/79007425
test_fc1, test_fc2, Ys = sess.run([test_fc1, test_fc2, fc3],
feed_dict = {x1:xs1, x2:xs2, test_x1:test_img_raw, test_x2:test_img_raw1})
错误指示是run这里出了错，原因：接收的参数名和run（）里面的参数名一样了，一般 第一次不会报错，下一次运行中，test_fc1，test_fc2变量名已有了，直接跑会和你前面定义的test_fc1，test_fc2相关运算冲突。 所以将接收的变量名改了就可以了。
3、tensorflow的axis理解
https://blog.csdn.net/m0_37041325/article/details/77155517
tensorFlow里的axis概念和numpy里是一样的，指tensor的某一维。举例：
import tensorflow as tf x=tf.constant([[1.,2.],[5.,2.]]) xShape=tf.shape(x) z1=tf.reduce_mean(x,axis=0)#沿axis=0操作 z2=tf.reduce_mean(x,axis=1)#沿axis=1操作 with tf.Session() as sess: xShapeValue,d1,d2=sess.run([xShape,z1,z2]) print('shape= %s'%(xShapeValue)) print(d1) print(d2) #输出: shape= [2 2] [3. 2.] [1.5 3.5]
程序里定义了一个常量tensor，这个tensor的shape是[2,2]即2行2列（x00=1,x01=2,x10=5,x11=2），在程序中，当指定x在axis=0进行求平均操作时，就是指定x00,x10进行求平均，x01,x11进行求平均的操作，当指定x在axis=1进行求平均操作时，就是指定x00,x10进行求平均，x01，x11进行求平均操作。
总结起来也就是说，当指定axis进行操作时，就使tensor就沿着这个axis变化，而其他的axis不变，按照这样的规则，遍历一次tensor，把得到的元素进行相应的操作。在上面的程序中，指定axis=0，操作，则axis=1这个轴上的数就不变。
下面以几个函数的使用来更进一步说明，
//1. tf.reduce_sum(input_tensor, axis) 沿着维度sxis计算和 x= [[1, 1, 1], [1, 1, 1]] //求和，在所有维度操作，也就相当于对所有元素求和 tf.reduce_sum(x) ==> 6 //在维度0上操作，在这个例子中实际就是按列(维度1)求和 tf.reduce_sum(x, 0) ==> [2, 2, 2] //在维度1上操作，在这个例子中实际就是按行(维度0)求和 tf.reduce_sum(x, 1) ==> [3, 3] //2. tf.concat(values, axis)：Concatenates tensors along one dimension t1 = [[1, 2, 3], [4, 5, 6]] //2*3维 t2 = [[7, 8, 9], [10, 11, 12]] //2*3维 tf.concat([t1, t2], 0) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]] //在维度0上连接，那么第一个维度会增加，在这里就是行会增多，结果是4*3维矩阵. x=tf.ones((3,2,2)) //shape (3,2,2) C=[x,x,x] print(tf.concat(C,2).shape) == > (3,2,6) // 再看这个例子，三维矩阵的连接，在第3个维度上，也就是维度2, 结果第三个维度会增加，也就是(3,2,6)
4、 scope 命名方法
tf.name_scope()与tf.variable_scope()
代码示例(以卷积层为例)： https://blog.csdn.net/Jerr__y/article/details/70809528
概念： https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-12-scope/
tf.name_scope() 主要是用来管理命名空间的，这样子让我们的整个模型更加有条理。而 tf.variable_scope() 的作用是为了实现变量共享，它和 tf.get_variable() 来完成变量共享的功能。
5、 获取变量维度信息
https://blog.csdn.net/shuzfan/article/details/79051042
6、 tf.estimator相关
6.1、tf.estimator.Estimator介绍
https://www.cnblogs.com/zongfa/p/10149483.html
https://www.cnblogs.com/wushangjue/p/8334539.html
6.2、tf.estimator.TrainSpec
https://www.w3cschool.cn/tensorflow_python/tensorflow_python-s7gp2pdn.html
7、tf.data.Dataset.shuffle
7.1、bufer_size 理解
https://www.cnblogs.com/wisir/p/12932154.html
https://zhuanlan.zhihu.com/p/42417456
tensorflow中的数据集类Dataset有一个shuffle方法，用来打乱数据集中数据顺序，训练时非常常用。其中shuffle方法有一个参数buffer_size，很令人费解。
详细说明见上述链接。
也就是说，buffer_size的作用就是存放数据集中部分数据的缓冲区大小，每次取数据是从缓冲区中随机取出一个item，该item是一个batch（与batch_size的关系），取出后再拿数据集中未在缓冲区出现过的数据（依次）去填充该缓冲区的空缺位置。
附Tensorflow 基本操作链接: https://www.cnblogs.com/wuzhitj/p/6648585.html