1. TF---Saver背景介绍
在训练完一个model后hope保存训练的结果（结果：model参数），以便下次迭代的训练或测试， TF针对这一需求提供了Saver类；
（1）Saver类提供了向checkpoints文件保存和从Checkpoints文件中恢复变量的相关方法，Checkpoints文件是一二进制文件，作用：把变量名映射到对应的tensor值。
（2）只要提供一个计数器，但计数器触发时，Saver类可自动生成checkpoint文件，可保存训练过程中多个训练结果，如：保存每一步训练结果…
（3）为避免填充整个磁盘，Saver可自动管理Checkpoints文件，如，可指定保存最近N个Checkpoints文件
In short, Saver类将训练结果保存为checkpoint二进制文件，同时可保存多个checkpoint文件
2. Saver实例------4参数
isTrain: 用来区分训练阶段和测试阶段， True表训练 False 表测试
train_steps: 表 训练次数 example：100
checkpoint_steps: 表训练多少次保存一下checkpoints example：50
checkpoint_dir: 表 checkpoints文件保存路径 example：当前路径
3. 训练阶段
使用Saver.save()方法保存模型：
sess: 当前会话 当前会话记录着当前所有变量值
checkpoint_dir + ‘ model.ckpt ’: 表checkpoint文件的文件名
global_step: 表当前是第几步
训练完成后，保存目录会至少多出4个文件（checkpoint create.py model.ckpt-50 model.ckpt-50.meta …）后面两个文件可能重复
4. 测试阶段
使用saver.restore( ) 方法恢复变量
- sess: 表当前会话，之前保存的结果被加载到这个sess（会话）
- ckpt.model_checkpoint_path:表model存储位置（不需要有模型名字，系统会自动查看ckptpoint 文件，看看最新的是谁，name是什么）
具体流程( 含命令行 )
为了保存训练好的模型参数，以便以后验证和测试，TF提供了tf.train.Saver()模块
模型保存，
1.. 创建Saver对象 同时设置max_to_keep 参数
需要创建一个Saver对象：
saver = tf.train.Saver()
在创建saver对象时，有一参数max_to_keep参数，设置保存模型的个数；默认max_to_keep=5（保存最近的5个模型）;若如果你想每训练一代（epoch)就想保存一次模型，则可以将 max_to_keep设置为None或者0
saver = tf.train.Saver( max_to_keep = 0 )
若只想保存最后一次模型参数，只需saver = tf.train.Saver( max_to_keep = 1 )
2.. 保存模型
创建完Saver对象后，就可以保存模型了
如：saver.save( sess, ‘ckpt/mnist.ckpt’, global_step = step )
第一个参数sess 当前会话 当前会话记录着当前所有变量值
第二个参数指定保存路径和名字
第三个参数：将训练次数作为后缀添加到模型名字后
如：saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0'
3.. 模型恢复 restore()函数
有两个参数restore( sess, save_path ) save_path指的是保存的模型路径。我们可以使用tf.train.latest_checkpoint（）来自动获取最后一次保存的模型
如： model_file = tf.train.latest_checkpoint( ‘ckpt/ ‘ )
saver.restore( sess, model_file )
reference：
https://blog.csdn.net/u011500062/article/details/51728830
http://www.imooc.com/article/33993 结构清晰
http://blog.csdn.net/weixin_38208741/article/details/78812562 例子和细节