刚接触深度学习，Tensorflow模型的保存和加载尚不清楚，根据教程的翻译做一记录，不当之处敬请指正。
原文地址：http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
在本教程中，将作出如下讲解：
I. Tensorflow模型是什么样的？
II. 如何保存一个训练好的Tensoflow模型？
III. 如何加载一个先前保存的Tensorflow模型？
IV. 如何对pretrained模型进行fine-tuning和修改？
本教程假设你已经对神经网络的训练有了一定的基础。
1.Tensorflow的模型到底是什么样的？：
在训练好一个神经网络模型之后，我们通常希望将它保存下来，方便以后的使用。那么，什么是Tensorflow模型呢？Tensorflow模型主要包含网络的设计（图）和训练好的各参数的值等。所以，Tensorflow模型有两个主要的文件：
a) Meta graph:
这是一个协议缓冲区(protocol buffer)，它完整地保存了Tensorflow图；即所有的变量、操作、集合等。此文件以 .meta 为拓展名。
b) Checkpoint 文件：
这是一个二进制文件，包含weights、biases、gradients 和其他所有变量的值。此文件以 .ckpt 为扩展名. 但是，从Tensorflow 0.11版本之后做出了一些改变。现在，不再是单一的 .ckpt 文件，而是一下两个文件：
.data文件包含了我们的训练变量，稍后再说。
另外，Tensorflow还有一个名为 checkpoint 的文件，仅用于保存最新checkpoint文件保存的记录。
总之，版本0.10以上的Tensorflow模型如下所示：
注意，Tensorflow 0.11版本之前的模型只有三个文件：
现在，我们知道了Tensorflow模型是什么样的，下面我们学习如何保存一个模型。
2. 保存一个Tensorflow模型：
比方说你正在训练一个卷积神经网络用于图像分类，你会关注于loss值和accuracy. 一旦你看到网络converged， 你就可以手工停止训练或设置固定的训练迭代次数。训练完成之后，我们想把所有变量值和网络图保存到文件中方便以后使用。所以，为了保存Tensorflow中的图和所有参数的值，我们创建一个tf.train.Saver()类的实例。
saver = tf.train.Saver()
别忘了Tensorflow变量仅存在于session内，所以你必须在session内进行保存，可通过调用创建的saver对象的sava方法实现。
其中，sess是session对象，‘my-test-model’是你对自己模型的命名。让我们看一个完整的例子：
如果我们想在迭代1000次后保存模型，我们需在对应的步数之后调用 sava 方法：
saver.save(sess, 'my_test_model',global_step=1000)
这只是在模型名字后面附加上‘-1000’，同时将创建下列文件：
比方说，在训练过程中，我们想每迭代1000次就保存模型一次。在第一次保存模型时会创建 .meta 文件(第1000次迭代),并且我们无需每次都重复创建（也就是无需在第2000、3000...或其他迭代时保存.meta文件）。因为图结构不变，我们仅需保存迭代后的参数值。因此，当我们不想写入meat-graph时，使用：
如果你想保存最近的4个模型并且每训练两个小时保存一次，可以使用 max_to_keep 和 keep_checkpoint_every_n_hours,如下所示：
注意，如果我们没有在tf.train.Saver()中指定任何参数，它会保存所有变量。如果我们不想保存全部变量而只是想保存一部分的话，我们可以指定想保存的variables/collections.在创建tf.train.Saver实例时，我们将它传递给我们想要保存的变量的列表或字典。看一个例子：
这可以用于保存Tensorflow图的特定部分。
3.引入一个pretrained模型：
如果你想引入其他的预先训练的模型来fine-tuning，需要做两件事：
a) 创建网络：
你可以通过写python代码手工创建原来模型的网络。或者，通过我们之前创建的 .mate 文件进行网络创建，使用tf.train.import()函数实现，如：saver = tf.train.import_meta_graph('my_test_model-1000.meta')
记住，import_meta_graph会将.meta文件中保存的网络加载到当前网络中，这会创建一个graph/network,但我们仍需加载已训练的各参数值。
b) 加载参数：
我们可以通过调用tf.train.Saver()类的restore方法来加载参数。
这样，像w1、w2这些tensors的值就加载进来了并且可以进行访问：
现在，你已经知道如何保存和加载Tensorflow模型。下面给出了一个使用练习加载预先训练的模型。。。。