TensorFlow 模型保存与恢复总结（微调、微改已有模型）

一张图对应一个计算流程，图与图之间相互独立

session 可以看做一个管理内存的东西，只有通过session才能对图进行运算，因为只有session有内存，没有内存怎么能运行呢，一个session智能对一个图进行计算，创建session时可以指定图，不指定则使用默认的图

saver类来进行保存，保存时需要指定session，因此，saver类的功能只是负责保存session，而session对应着图与变量，因此，可以知道saver所保存的图与变量

注意，创建saver时可以指定变量列表，从而指定要保存的变量有哪些，如果不指定则默认保存所有变量

然后给出保存的路径就可以保存了，很方便

模型恢复时，有两种可能，

1、恢复参数，也恢复图

恢复图则在创建saver时要指定.meta文件的路径

2、恢复参数，不恢复图

不恢复图则不需要指定.meta文件，在恢复时直接传递模型路径就可以

这里要注意，如果没有恢复图，则在恢复变量时，需要在代码中手动创建与之前一样的图，如果有新的op，则需要指定要恢复的参数列表，不然的话就会报错，因为在原有模型文件里找不到新定义的op，我们改别人的模型一般用的是这个，不过我们构建的图可以与原来不同，只要是我们定义的变量与原图一致就可以，体现在名字，变量类型，大小，形状

如果是恢复图了话，我们可以通过名字来获取原图的变量，然后用于新图的计算，而原图的代码不用必须有，这是要注意，原图的变量必须要有名字，因为我们是通过变量的名字来找到变量的

总结一下，不导入原图，则在现有代码里要有原来变量的声明，名字，变量类型，大小，形状要和原来一样，然后恢复时要传入这些变量，这样这些变量就恢复了，我们要的就是这些变量的值，至于说要进行什么计算，我们可以重新构造，（训练不就是为了得到这些变量的值吗）

如果说导入了原图，则我们获取原变量的方式直接通过名字就可以，不需要在代码里重新声明变量，如

saver = tf.train.import_meta_graph("./my/my.ckpt.meta")
graph = tf.get_default_graph()
b = graph.get_tensor_by_name("b:0")

这样就获得了原变量，同理可以获取op，然后重新利用这个变量做我们需要的计算

这里注意，训练时指定要训练变量的列表，就可以保证哪些变量可以被改变，而哪些变量不需要被改变，很方便，而一个快速获取需要变量的方法是根据TF 的api 根据命名空间来获得。

（写得有点乱，转载请注明出处。）