在Ｔｅｎｓｏｒｆｌｏｗ中，有两种保存模型的方法：一种是Ｃｈｅｃｋｐｏｉｎｔ，另一种是Ｐｒｏｔｏｂｕｆ，也就是ＰＢ格式；
一． Ｃｈｅｃｋｐｏｉｎｔ方法：
１．保存时使用方法：
tf.train.Saver()
生成四个文件：
checkpoint 检查点文件
model.ckpt.data-xxx 参数值
model.ckpt.index 各个参数
model.ckpt.meta 图的结构
２．恢复时使用方法：
saver.restore() ：模型文件依赖Ｔｅｎｓｏｒｆｌｏｗ，只能在其框架下使用，恢复模型之前需要定义下网络结构
saver=tf.train.import_meta_graph('./ckpt/mode..ckpt.meta') :直接加载网络结构，不需要重新定义网络
二． ＰＢ方法：
１． 保存模型为ＰＢ文件（谷歌推荐），具有语言独立性，可独立运行，序列化的格式，任何语言可解析它，允许其他语言和框架读取，训练和迁移；模型变量是固定的，模型大小会大大减少，适合在手机端运行；
２． 实现创建模型与使用模型的解耦，使得前向推导Ｉｎｆｅｒｅｎｃｅ代码统一；
３． ＰＢ文件表示ＭｅｔａＧｒａｐｈ的protocol buffer格式的文件；
４． ＧｒａｐｈＤｅｆ 不保存任何Ｖａｒｉａｂｌｅ信息，不能从graph_def 来构建图并恢复训练．
一般情况下，ＰＢ可直接生成；
当然也可以从checkpoint文件中生成，代码如下：
1 output_graph = os.path.join('./checkpoint/','frozen_graph.pb')
2 input_checkpoint = os.path.join('./checkpoint/','model.ckpt-xxxxx') ＃［xxxxxx为训练生成的ｓｔｅｐ号］
3 saver = tf.train.import_meta_graph(input_checkpoint+'.meta',clear_devices=True)
4 graph = tf.get_default_graph()
5 input_graph_def = graph.as_graph_def
6
7 for op in graph.get_operations():
8 print("checkpoint2pb",,op.values())
9
10 variable_names = [ for v in tf.trainable_variables()］
11 pirnt("trainalbe_variables:",variable_names)
12
13 output_node_name=['fc2/add'] #fc2/add 上面的列表里需要存在该操作
14
15 with tf.Session() as sess:
16 saver.restore(sess,input_checkpoint)
17
18 output_graph_def = graph_util.convert_variables_to_constants(sess=sess,
19 input_graph_def = input_graph_def,
20 output_node_names = output_node_name)
21
22 with tf.gfile.GFile(output_graph,"wb") as f:
23 f.write(output_graph_def.SerializeToString())
24
25
26
27
人生，从没有一劳永逸 想要变强，只有不停奔跑
