tf.train.Saver举例

tf.train.Saver是用来保存和恢复TensorFlow模型的类。通过在初始化Saver时指定变量列表，可以将指定的变量保存到磁盘。保存的模型可以在以后的会话中被恢复，以便继续训练或进行推理。以下是使用tf.train.Saver保存和恢复模型的示例代码：

import tensorflow as tf

# 定义模型的变量
x = tf.placeholder(tf.float32, shape=[None, 784], name='x')
y = tf.placeholder(tf.float32, shape=[None, 10], name='y')
W = tf.Variable(tf.zeros([784, 10]), name='W')
b = tf.Variable(tf.zeros([10]), name='b')
output = tf.matmul(x, W) + b

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=output))
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

# 保存模型
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        batch_x, batch_y = next_batch(batch_size)
        sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
    saver.save(sess, 'model.ckpt')

# 恢复模型
with tf.Session() as sess:
    saver.restore(sess, 'model.ckpt')
    # 进行推理或继续训练

在上述示例中，使用tf.train.Saver保存了模型的变量W和b，保存的文件名为'model.ckpt'。可以在以后的会话中使用saver.restore()方法来恢复模型，然后进行推理或继续训练。