https://blog.csdn.net/rainmaple20186/article/details/80464178
1.模型的保存
模型的保存通常有两种方法，一种是Tensorflow老版本中的t.trans.saver，另一种是新版本中的tf.saved_model.builder，博主使用的是后者，所以对于第一种方法也就一带而过。
1.1 tf.train.saver这种方法是使用较多的，但是呢，这种方法更多地是用来保存变量（变量）的，所以博主也就没有了解太多，下文po一段典型代码：
将tensorflow导入为tf
...
＃在这里构建网络
...
＃开始保存模型
与tf.Session（）作为sess：
sess.run（tf.global_variables_initializer（））＃一定要先初始化整个流
＃在这里训练网络
...
＃保存参数
saver = tf.train.Saver（）
saver.save（sess，PATH）＃PATH就是要保存的路径 1.2 tf.saved_model.builder
下文只放出保存模型的关键代码，至于训练的过程，会在后续一并放出，整体分析。
将tensorflow导入为tf
...
＃构建网络
...
用tf.Session（）作为sess：
sess.run（tf.global_variables_initializer（））＃一定要先初始化整个流
＃在这里训练网络
...
＃保存参数
builder = tf.saved_model.builder.SaveModelBuilder（PATH）#PATH是保存路径
builder.add_meta_graph_and_variables（sess，[tf.saved_model.tag_constants.TRAINING]）＃保存整张网络及其变量，这种方法是可以保存多张网络的，在此不作介绍，可自行了解
builder.save（）＃完成保存2.模型的调用
以上就简单介绍了两种保存模型的方法，接下来介绍一下读取模型的方法，只讲基于tf.saved_model.builder方法的读取模型了>划重点！完整调用并使用一个模型，分为加载网络和加载关键节点两个部分。幸运的是，使用tf.saved_model.builder保存和调用模型，这一切都变得非常简单~~~
2.1加载网络废话不多说，直接PO出代码：
将tensorflow导入为tf
用tf.Session（graph = tf.Graph（））作为sess：
tf.saved_model.loader.load（sess，[tf.saved_model.tag_constants.TRAINING]，PATH）#PATH还是路径
...
...emmmm ......只要通过这么几句代码，就可以完成模型的调用了，但是呢，想要真正地使用这个网络，关键点在于加载网络中的关键节点，如：输入，输出
2.2加载张量（节点，张量，变量）神经元，可以是加载张量，也可以是加载节点，变量，代码也非常简单，在上节的基础上，加载张量的代码就只有一句话：
＃以加载输入变量为例吧
input_x = sess.graph.get_tensor_by_name（'input / input_x：0'）＃传入的参数会在后文讲到的3.使用训练好的网络
当把输入的变量以及输出的变量都加载后，就可以使用网络了，假设输出变量为输出，输入变量为X和Y，那么使用这个网络的代码就可以表示如下：
sess.run（output，{x：_x，y：_y}）＃大括号的内容就是feed_dict了，使用方法类似于占位符
简要的思路
就结合我的代码来具体分析一下整个过程吧，先说一下简要的思路：
- 训练网络，并构建TensorBoard中的图形图，用于确定网络的关键节点，保存整个网络;
- 通过TensorBoard查找整个的数据流向，确定输入节点，输出节点;
以下是CNN网络的训练和保存部分：
将tensorflow导入为tf
from tensorflow.examples.tutorials.mnist import input_data
将numpy导入numpy
将matplotlib.pyplot导入为plt
＃整个网络结构：卷积 - >池化 - >卷积 - >池化 - >全连接 - > dropout->全连接 - > SOFTMAX
＃MINST数据
mnist = input_data.read_data_sets（'MNIST_data'，one_hot = True）
＃
#define占位符
与tf.name_scope（'input'）：＃输入采用了name_scope的形式，也可以不采用，直接从图上得到
xs = tf.placeholder（tf.float32，[None，28 * 28]，name ='input_x'）＃输入图像shape：[？，784]
ys = tf.placeholder（tf.float32，[None，10]，name ='input_y'）＃标签
keep_prob = tf.placeholder（tf.float32）
x_image = tf.reshape（xs，[-1,28,28,1]）
＃卷积图层1
conv1 = tf.layers.conv2d（
输入= x_image，
filters = 16，＃输出空间的维数
kernel_size =（5,5），＃二维卷积窗口的高度和宽度strides =（
1,1），＃沿高度和宽度的卷积步长
padding ='same'，＃相同或有效
activation = tf .nn.relu
）＃[ - 1,28,28,16] #max
池
pool1 = tf.layers.max_pooling2d（
inputs = conv1，
pool_size =（2,2），＃pooling操作strides的
步幅=（2，2），＃池化操作的步幅
padding ='same'＃same或valid
）＃[ - 1,14,14,16]＃卷积
二层
conv2 = tf.layers.conv2d（pool1,32,5，（1,1），'same'，activation = tf.nn.relu）＃[ - 1,14,14,32] #max
轮询
POOL2 = tf.layers.max_pooling2d（CONV2，（2,2），（2,2），'相同'）＃[ - 1,7,7,32]
＃平坦
扁平= tf.reshape（POOL2，[ - 1，7 * 7 * 32]）
＃完全连接的层1
dense1 = tf.layers.dense（
输入=平，＃张量输入
单元= 256，则输出空间的维数＃
活化= tf.nn.relu
）
＃漏失
dense_drop = tf.layers.dropout（
inputs = dense1，
rate = keep_prob
）
＃预测
＃与tf.name_scope（ '输出'）：＃可以通过name_scope来确定变量域，但是博主是直接根据图来看的
预测= tf。layers.dense（dense_drop，10）＃输出结果
＃损失
损失= tf.losses.softmax_cross_entropy（
onehot_labels = YS，
logits =预测
）
＃火车
train_op = tf.train.AdamOptimizer（0.005）.minimize（loss）
＃ 准确性
准确性= tf.metrics.accuracy（＃创建两个局部变量
labels = tf.argmax（ys，1），
预测= tf.argmax（预测，1）
）[1]
成本= []＃损失信息
sess = tf.Session（）
“””
local_variables_initializer用于计算精度
“””
sess.run（tf.group（tf.global_variables_initializer（），tf.local_variables_initializer（）））
writer = tf.summary.FileWriter（'./ logs /'，sess.graph）＃构建TensorBoard的Graph，不作详细介绍
＃训练
我在范围内（1001）：
train_images，train_labels = mnist.train.next_batch（100）
_，loss_out = sess.run（[train_op，loss]，{xs：train_images，ys：train_labels，keep_prob：0.5}）
如果我％50 == 0：＃测试精确度
cost.append（loss_out）
test_imges，test_label = mnist.test.next_batch（100）
print（i，sess.run（准确性，{xs：test_imges，ys：test_label}））
print（sess.run（tf.argmax（prediction，1），{xs：mnist.train.images [0:10，：]}））
print（sess.run（tf.argmax（mnist.train.labels [0:10，：]，1）））
＃训练完成，保存训练好的网络
builder = tf.saved_model.builder.SavedModelBuilder（'./ Models /'）＃保存前需要保证这个文件夹为空或者不存在
builder.add_meta_graph_and_variables（sess，[tf.saved_model.tag_constants.TRAINING]）
builder.save（）若要调用这个训练好的网络，那么关键的节点有上述程序的XS和预测，XS是输入待识别的图像，而预测则是以one_hot的形式输出识别结果，因此这两个点是比较关键的。上文提到，可以通过
input _ x = sess.graph.get _ tensor _ by _ name（'input / input_x：0'）的方式加载关键的节点
对于这些行代码，括号的参数就是得到的节点在tensorflow的图中的名字，以input / input _ x：0为例，说明该变量是输入域（name _ scope或variable _ scope）的输入_ x变量，如果没有采用name_scope的方式，需要通过TensorBoard来自行查找变量名，因此这篇博客也详细介绍了这个过程下图是上传代码生成的TensorBoard的图图：
解释一下这张图，非常明确地反映了我们CNN网络的构成，由下至上，按照数据流动方向依次是数据输入（name_scope：输入），然后是第一个卷积层，接max_pooling池化，接第二个卷积层（在此名字叫做conv2d_1），接第二个max_pooling，之后经过重塑的过程进入全连接层，这是一个最普通的神经网络层，叫做密（看上文代码是可以看出来的），经过漏失进入第二个密，这个致密的输出就是整个网络的输出预测了，也就是我们想要的关键点。那么，我们可通过双击dense_1来查看这层的详细的数据流动，如下图：
再回顾一下代码，
准确性= tf.metrics.accuracy（＃创建两个局部变量
labels = tf.argmax（ys，1），
预测= tf.argmax（预测，1）
）[1]
在计算精度时，预测作为了argmax的输入参数，而预测又是dense_1层输出的，所以dense_1和argmax之间的张量就是我们要的预测。这下我们就找到了输出的数据在哪了，那在图中的变量名是啥呢......
刚说到prediciton流动在dense_1的输出和argmax的输入之间，那么单击这两个模块看看呗，可以看到他们的输入和输出，我点击了argmax，如下图：
可以看到，INOUT有两个，第二个是一个维度，明显不是我们想要的输出，第一个是dense_1 / BiasAdd，那么就是这个了，它在图中的变量名就是* dense_1 / BiasAdd： 0 *，至于为什么会有：0呢，这或许是tensotflow本身的机制吧！
到这里为止，我们就得到了输出节点的名字，相同，可以得到输入节点的名字分别是输入/ input_x：0 和输入/ input_y：0。
接下来，PO出加载模型的代码：
python
将tensorflow导入为tf
from tensorflow.examples.tutorials.mnist import input_data
进口操作系统
将matplotlib.pyplot导入为plt
将numpy导入numpy
＃读取数据
mnist = input_data.read_data_sets（'MNIST_data'，one_hot = True）
＃加载模型
图，ax = plt.subplots（1,1）
用tf.Session（graph = tf.Graph（））作为sess：
tf.saved_model.loader.load（sess，[tf.saved_model.tag_constants.TRAINING]，'./Models'）
＃sess.run（tf.global_variables_initializer（））＃加了这句话就会导致图初始化
input_x = sess.graph.get_tensor_by_name（'input / input_x：0'）
input_y = sess.graph.get_tensor_by_name（'input / input_y：0'）
output = sess.graph.get_tensor_by_name（'dense_1 / BiasAdd：0'）代码中注释了sess.run（tf.global_variables_初始化（））这句话，因为这是一个大坑哦!!!!如果加了，模型的数据就会乱，也就是，无论如何数据都会是错的，一定要注意!!!到此为止，模型就加载出来了，如果要调用模型，假设已知的数据是x，想要得到结果，就可以通过> sess.run（output，{input_x： X}）来得到了是不是很简单为了验证博主代码的正确性，采用训练集的前十张图像进行测试，并与理想的结果进行对比！
python
print（sess.run（tf.argmax（output，1），{input_x：mnist .train.images [0:10 ,:]]））
print（sess.run（tf.argmax（mnist.train.labels [0:10，：]，1）））爽快地给出代码运行的结果：
[7 3 4 6 1 8 1 0 9 8] [7 3 4 6 1 8 1 0 9 8]
网络输出和理想值一致！OK！大功告成！*