1.模型的保存（代码）
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径：
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
#每个批次100张照片 每个批次的大小
batch_size = 100
#计算一共有多少个批次 （整除符号）
n_batch = mnist.train.num_examples // batch_size
#定义两个placeholder，None=100批次
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络（这里只是2层）
#输入层784个神经元，输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)#得到很多概率（对应标签的10个概率）
#二次代价函数（如果输出神经元是线性的，适合用二次代价函数）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17%
#在训练过程中 调整参数比较合理，收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降法（0.2的学习率）
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1 就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型 显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
#迭代21个周期
for epoch in range(11):#每个图片训练21次
for batch in range(n_batch):
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
#把训练数据feed数据喂给网络
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
#把测试数据feed数据喂给网络
acc = sess.run(accuracy,feed_dict = {x:mnist.test.images,y:mnist.test.labels})
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
#保存模型
saver.save(sess,'net/my_net.ckpt')模型保存后生成：
2.模型的载入后准确度（后2行代码）
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径：
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)
#每个批次100张照片 每个批次的大小
batch_size = 100
#计算一共有多少个批次 （整除符号）
n_batch = mnist.train.num_examples // batch_size
#定义两个placeholder，None=100批次
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络（这里只是2层）
#输入层784个神经元，输出层10个神经元
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x,W)+b)#得到很多概率（对应标签的10个概率）
#二次代价函数（如果输出神经元是线性的，适合用二次代价函数）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17%
#在训练过程中 调整参数比较合理，收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降法（0.2的学习率）
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1 就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型 显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))#0.098,在没有载入之前训练好的网络的正确率
saver.restore(sess,'net/my_net.ckpt')
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}))#0.9172，载入之前训练好的网络后的正确率