使用Tensorflow训练模型，将已经训练好的模型保存起来，留下接口供以后使用，或者由其他程序模型来调用，有三种方法，其中使用PB文件最为方便。
- 先定义模型，需要有模型定义的源码，然后使用saver.restore(sess, checkpoint)。
- 不需要定义模型，使用import_meta_graph。
- 不需要定义模型，使用PB文件。
模型保存
模型保存过程
saver = tf.train.Saver(max_to_keep=256)
saver.save(sess, model_path, global_step=epoch_comp) # save model.
- 首先需要定义saver类型，其中参数为max_to_keep 表示需要保存的模型个数。
- 然后在训练最后使用saver.save()即可保存模型，需要注明model_path和global_step，global_step用来注明是哪一个 step 或者 epoch 保存的模型。
- Tensorflow的计算图在运行时，以 MetaGrapDef 的形式实现计算图。在进行计算图保存时，将 MetaGraphDef 以二进制的形式写入磁盘，在保存模型产生的3个的文件中，MetaGraphDef 保存在.meta文件中；其中模型经过训练的模型参数，权重，可训练的变量保存在.data文件中；张量名到张量的对应映射关系保存在.index文件中。
PB文件保存
谷歌推荐的保存方式是保存为PB文件，它具有语言独立性，任何语言都可以解析它，允许其他语言和深度学习框架读取、继续训练和迁移 TensorFlow 的模型。
- PB文件的保存主要是导入graph结构和恢复权重的过程。其中import_meta_graph导入graph结构，restore是恢复权重，as_graph_def()返回此图的序列化图形化表示。具体代码如下。
- PB文件保存有一个重要参数是output_node_names，即注明模型输出的节点。这里就能感受到对tensor手动命名的好处了。
# 定义路径
ckpt = "model/epoch-1"
meta_file_path = 'epoch1.meta'
pb_file_path ='epoch1.pb'
#转pb
saver = tf.train.import_meta_graph(meta_file_path)
with tf.Session() as sess:
saver.restore(sess, ckpt )
graph = tf.get_default_graph()
input_graph_def = sess.graph.as_graph_def()
# 下面的代码用来检查节点命名
for node in input_graph_def.node:
print("node.name = ", node.name)
#
output_graph_def = tf.graph_util.convert_variables_to_constants(sess,
graph.as_graph_def(),
output_node_names=[output_node])
tf.train.write_graph(output_graph_def, '', pb_file_path, as_text=False)