在训练循环中，定期调用 saver.save() 方法，向文件夹中写入包含了当前模型中所有可训练变量的 checkpoint 文件。
saver.save(sess, FLAGS.train_dir, global_step=step)
global_step是训练的第几步
保存参数：
import tensorflow as tf W = tf.Variable([[1, 2, 3]], dtype=tf.float32) b = tf.Variable([[1]], dtype=tf.float32) saver = tf.train.Saver() sess = tf.InteractiveSession() tf.global_variables_initializer().run() # 必须要指定文件夹，保存到ckpt文件 save_path = saver.save(sess, "winycg/1.ckpt") print(save_path)
一次 saver.save() 后可以在文件夹中看到新增的四个文件，实际上每调用一次保存操作会创建后3个数据文件并创建一个检查点（checkpoint）文件，简单理解就是权重等参数被保存到 .chkp.data 文件中，以字典的形式；图和元数据被保存到 .chkp.meta 文件中，可以被 tf.train.import_meta_graph 加载到当前默认的图。
读取参数：
import tensorflow as tf
import numpy as np
W = tf.Variable(np.arange(3).reshape(1, 3), dtype=tf.float32)
b = tf.Variable(np.arange(1).reshape(1, 1), dtype=tf.float32)
saver = tf.train.Saver()
sess = tf.InteractiveSession()
# 读取参数时不需要global_variables_initializer()
save_path = saver.restore(sess, "parameter/1.ckpt")
print("weights:", sess.run(W))
print("bias:", sess.run(b))
weights: [[ 1. 2. 3.]]
bias: [[ 1.]]
以上这篇TensorFlow利用saver保存和提取参数的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。