在本教程中，我将会解释：

TensorFlow模型是什么样的？
如何保存TensorFlow模型？
如何恢复预测/转移学习的TensorFlow模型？
如何使用导入的预先训练的模型进行微调和修改?

这个教程假设你已经对神经网络有了一定的了解。如果不了解的话请查阅相关资料。

1. 什么是TensorFlow模型？

训练了一个神经网络之后，我们希望保存它以便将来使用。那么什么是TensorFlow模型?Tensorflow模型主要包含我们所培训的网络参数的网络设计或图形和值。因此，Tensorflow模型有四个主要的文件:

checkpoint
model.ckpt-0.data-00000-of-00001
model.ckpt-0.index
model.ckpt-0.meta

1.1 checkpoint文本文件

文本文件通过文本编译器件（vim，gedit等）可查看内容记录保存了那些checkpoint，它只保存的最新保存的checkpoint文件的记录。

1.2 meta文件

这是一个协议缓冲区，它保存了完整的Tensorflow图形;即所有变量、操作、集合等，该文件以.meta作为扩展名,。model.ckpt-0.meta文件保存的是图结构，通俗地讲就是神经网络的网络结构。一般而言网络结构是不会发生改变，所以可以只保存一个就行了。我们可以使用下面的代码只在第一次保存meta文件：

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

并且还可以使用tf.train.import_meta_graph(‘model.ckpt-0.meta’)能够导入图结构。

1.3 data文件

model.ckpt-0.data-00000-of-00001

数据文件，保存的是网络的权重、偏差、梯度和其他所有变量的值等等

1.4 index文件

model.ckpt-0.index是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等等。
Note：因此，为了总结，对于大于0.10的版本，Tensorflow模型如下:

在0.11之前的Tensorflow模型仅包含三个文件:

model.meta
model.ckpt
checkpoint

现在我们已经知道了Tensorflow模型的样子，接下来我们来看看TensorFlow是如何保存模型的。

2. 保存TensorFlow模型

比方说，你正在训练一个卷积神经网络来进行图像分类。作为一种标准的练习，你要时刻关注损失和准确率。一旦看到网络已经收敛，我们可以暂停模型的训练。在完成培训之后，我们希望将所有的变量和网络结构保存到一个文件中，以便将来使用。因此，在Tensorflow中，我们希望保存所有参数的图和值，我们将创建一个tf.train.Saver()类的实例

saver = tf.train.Saver()

请记住，Tensorflow变量仅在会话中存在。因此，您必须在一个会话中保存模型，调用您刚刚创建的save方法。

saver.save(sess, 'my-test-model')

这里，sess是会话对象，而'my-test-model'是保存的模型的名称。让我们来看一个完整的例子:

import tensorflow as tf  
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')  
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')  
saver = tf.train.Saver()  
sess = tf.Session()  
sess.run(tf.global_variables_initializer())  
saver.save(sess, 'my_test_model')  
   
# This will save following files in Tensorflow v >= 0.11  
# my_test_model.data-00000-of-00001  
# my_test_model.index  
# my_test_model.meta  
# checkpoint

如果我们在1000次迭代之后保存模型，我们将通过通过global_step来调用save:

saver.save(sess, 'my_test_model',global_step=1000)

这将会将'-1000'追加到模型名称，并创建以下文件:

my_test_model-1000.index
my_test_model-1000.meta
my_test_model-1000.data-00000-of-00001
checkpoint

比方说，在训练时，我们在每次1000次迭代后都保存模型，所以.meta文件是第一次创建的(在第1000次迭代中)，我们不需要每次都重新创建.meta文件(我们在2000，3000次没有保存.meta文件)。我们仅为进一步的迭代保存模型，因为图不会改变。因此，当我们不想保存meta-graph时，我们用这个:

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

如果你希望仅保留4个最新的模型，并且希望在训练过程中每两个小时后保存一个模型，那么你可以使用max_to_keep和keep_checkpoint_every_n_hours这样做。

#saves a model every 2 hours and maximum 4 latest models are saved.
saver = tf.train.Saver(max_to_keep=4, keep_checkpoint_every_n_hours=2)

注意，如果我们在tf.train.Saver()中没有指定任何东西，它将保存所有的变量。如果，我们不想保存所有的变量，而只是一些变量。我们可以指定要保存的变量/集合。在创建tf.train。保护程序实例，我们将它传递给我们想要保存的变量的列表或字典。让我们来看一个例子:

import tensorflow as tf  
w1 = tf.Variable(tf.random_normal(shape=[2]), name='w1')  
w2 = tf.Variable(tf.random_normal(shape=[5]), name='w2')  
saver = tf.train.Saver([w1,w2])  
sess = tf.Session()  
sess.run(tf.global_variables_initializer())  
saver.save(sess, 'my_test_model',global_step=1000)

这可以用于在需要时保存特定的Tensorflow图。

3. 导入训练好的模型

如果你想用别人预先训练好的模型来进行微调，你需要做以下两件事:

a)创建网络

你可以通过编写python代码创建网络，以手工创建每一层，并将其作为原始模型。但是，如果你考虑一下，我们已经在.meta文件中保存了这个网络，我们可以使用tf.train.import()函数来重新创建这个网络：

saver = tf.train.import_meta_graph('my_test_model-1000.meta')

记住，import_meta_graph将在.meta文件中定义的网络附加到当前图。因此，这将为你创建图形/网络，但是我们仍然需要加载我们在这张图上训练过的参数的值。

b)载入参数

我们可以通过调用这个保护程序的实例来恢复网络的参数，它是tf.train.Saver()类的一个实例。

with tf.Session() as sess:  
new_saver = tf.train.import_meta_graph('my_test_model-1000.meta')  
new_saver.restore(sess, tf.train.latest_checkpoint('./'))

在此之后，像w1和w2这样的张量的值已经恢复并且可以被访问:

with tf.Session() as sess:      
    saver = tf.train.import_meta_graph('my-model-1000.meta')  
    saver.restore(sess,tf.train.latest_checkpoint('./'))  
    print(sess.run('w1:0'))  
##Model has been restored. Above statement will print the saved value of w1

因此，现在你已经了解了如何为Tensorflow模型保存和导入工作。在下一节中，我描述了上面的实际使用，以加载任何预先训练过的模型。

4.使用导入的模型

现在你已经了解了如何保存和恢复Tensorflow模型，让我们开发一个实用的例子来恢复任何预先训练的模型，并使用它进行预测、微调或进一步训练。当您使用Tensorflow时，你将定义一个图，该图是feed examples(训练数据)和一些超参数(如学习速率、迭代次数等)，它是一个标准的过程，我们可以使用占位符来存放所有的训练数据和超参数。接下来，让我们使用占位符构建一个小网络并保存它。注意，当网络被保存时，占位符的值不会被保存。

import tensorflow as tf  
   
#Prepare to feed input, i.e. feed_dict and placeholders  
w1 = tf.placeholder("float", name="w1")  
w2 = tf.placeholder("float", name="w2")  
b1= tf.Variable(2.0,name="bias")  
feed_dict ={w1:4,w2:8}  
   
#Define a test operation that we will restore  
w3 = tf.add(w1,w2)  
w4 = tf.multiply(w3,b1,name="op_to_restore")  
sess = tf.Session()  
sess.run(tf.global_variables_initializer())  
   
#Create a saver object which will save all the variables  
saver = tf.train.Saver()  
   
#Run the operation by feeding input  
print sess.run(w4,feed_dict)  
#Prints 24 which is sum of (w1+w2)*b1   
   
#Now, save the graph  
saver.save(sess, 'my_test_model',global_step=1000)

现在，当我们想要恢复它时，我们不仅要恢复图和权重，还要准备一个新的feed_dict，它将把新的训练数据输入到网络中。我们可以通过graph.get_tensor_by_name()方法来引用这些保存的操作和占位符变量。

#How to access saved variable/Tensor/placeholders   
w1 = graph.get_tensor_by_name("w1:0")  
   
## How to access saved operation  
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

如果我们只是想用不同的数据运行相同的网络，您可以简单地通过feed_dict将新数据传递给网络。

import tensorflow as tf  
   
sess=tf.Session()      
#First let's load meta graph and restore weights  
saver = tf.train.import_meta_graph('my_test_model-1000.meta')  
saver.restore(sess,tf.train.latest_checkpoint('./'))  
     
# Now, let's access and create placeholders variables and  
# create feed-dict to feed new data  
   
graph = tf.get_default_graph()  
w1 = graph.get_tensor_by_name("w1:0")  
w2 = graph.get_tensor_by_name("w2:0")  
feed_dict ={w1:13.0,w2:17.0}  
   
#Now, access the op that you want to run.   
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")  
   
print sess.run(op_to_restore,feed_dict)  
#This will print 60 which is calculated   
#using new values of w1 and w2 and saved value of b1.

如果你希望通过添加更多的层数并对其进行训练，从而向图中添加更多的操作，可以这样做

import tensorflow as tf  
   
sess=tf.Session()      
#First let's load meta graph and restore weights  
saver = tf.train.import_meta_graph('my_test_model-1000.meta')  
saver.restore(sess,tf.train.latest_checkpoint('./'))  
     
# Now, let's access and create placeholders variables and  
# create feed-dict to feed new data  
   
graph = tf.get_default_graph()  
w1 = graph.get_tensor_by_name("w1:0")  
w2 = graph.get_tensor_by_name("w2:0")  
feed_dict ={w1:13.0,w2:17.0}  
   
#Now, access the op that you want to run.   
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")  
   
#Add more to the current graph  
add_on_op = tf.multiply(op_to_restore,2)  
   
print sess.run(add_on_op,feed_dict)  
#This will print 120.

但是，你是否可以在之前图的结构上构建新的网络?当然，您可以通过graph.get_tensor_by_name()方法访问适当的操作，并在此基础上构建图。这是一个真实的例子。在这里，我们使用元图加载一个vgg预训练的网络，并在最后一层中将输出的数量更改为2，以便对新数据进行微调。

saver = tf.train.import_meta_graph('vgg.meta')  
# Access the graph  
graph = tf.get_default_graph()  
## Prepare the feed_dict for feeding data for fine-tuning   
   
#Access the appropriate output for fine-tuning  
fc7= graph.get_tensor_by_name('fc7:0')  
   
#use this if you only want to change gradients of the last layer  
fc7 = tf.stop_gradient(fc7) # It's an identity function  
fc7_shape= fc7.get_shape().as_list()  
   
new_outputs=2  
weights = tf.Variable(tf.truncated_normal([fc7_shape[3], num_outputs], stddev=0.05))  
biases = tf.Variable(tf.constant(0.05, shape=[num_outputs]))  
output = tf.matmul(fc7, weights) + biases  
pred = tf.nn.softmax(output)  
   
# Now, you run this with fine-tuning data in sess.run()

原文链接：http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/

#http://blog.csdn.net/u011961856/article/details/77064631
#coding:utf-8
#tensorflow模型保存文件分析
import tensorflow as tf
import os
from tensorflow.python import pywrap_tensorflow

#保存model
v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v1")
v2= tf.Variable(tf.zeros([200]), name="v2")
v3= tf.Variable(tf.zeros([100]), name="v3")
saver = tf.train.Saver()
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    #saver.save(sess,"model.ckpt",global_step=1)
    saver.save(sess,"./model.ckpt")

#恢复model
with tf.Session() as sess:
    saver.restore(sess, "./model.ckpt")

#http://blog.csdn.net/u010698086/article/details/77916532
#显示打印模型的信息
model_dir = "./"
checkpoint_path = os.path.join(model_dir, "model.ckpt")
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
for key in var_to_shape_map:
    print("tensor_name: ", key)
    print(reader.get_tensor(key)) # Remove this is you want to print only variable names

打印输出信息如下所示：

INFO:tensorflow:Restoring parameters from ./model.ckpt
tensor_name:  v3_3
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0.]
tensor_name:  v3_2
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0.]
tensor_name:  v1
[[-0.3360755   0.17435378 -0.21852724 ... -0.240392   -0.03208964
  -0.17680697]
 [-0.4513908  -0.34424284 -0.25750157 ... -0.54020494  0.41601658
   0.08595411]
 [ 0.0906027  -0.15999033  0.26511908 ...  0.34437048 -0.3420739
  -0.25721186]
 ...
 [-0.10142479 -0.60690624  0.41174182 ... -0.00569173 -0.08803347
  -0.01931518]
 [ 0.02599987 -0.20910595  0.39164847 ... -0.2520184  -0.08555854
   0.21419163]
 [ 0.1576431   0.22719495  0.6047162  ...  0.06570618 -0.49261582
  -0.35603577]]
tensor_name:  v1_2
[[-0.31785122 -0.25029796 -0.3444605  ...  0.4332277   0.01690841
  -0.0906124 ]
 [ 0.4852644   0.14345372  0.1755701  ... -0.1110902   0.7012865
   0.38356403]
 [ 0.19159386 -0.63074803  0.38781846 ... -0.10130755 -0.02663931
  -0.02549595]
 ...
 [ 0.34880626 -0.7524641  -0.4202907  ... -0.4310543  -0.6030413
   0.3364726 ]
 [-0.37088528 -0.12170709 -0.0884001  ...  0.2371711  -0.29549968
  -0.04758374]
 [ 0.3682225  -0.3949281  -0.27653605 ... -0.13212644 -0.00122805
   0.32343385]]
tensor_name:  v2_2
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]
tensor_name:  v1_1
[[-0.23152769  0.00163396  0.56853384 ...  0.3459633   0.3753062
   0.25371227]
 [-0.09282671 -0.43815684  0.5516466  ... -0.42980105  0.07028434
  -0.0762074 ]
 [-0.38277933 -0.1303359  -0.4862339  ... -0.13388814  0.02422328
   0.12568748]
 ...
 [-0.03882189 -0.21227814 -0.3169549  ... -0.18124004 -0.4819063
   0.37770882]
 [-0.43946865 -0.5116941   0.08759964 ... -0.3406885  -0.00300911
   0.24031074]
 [ 0.58032805 -0.45384437 -0.20021668 ...  0.18628885 -0.09368188
  -0.13936333]]
tensor_name:  v1_3
[[ 0.02487348 -0.390618    0.03343801 ...  0.35162905  0.18742779
   0.11800011]
 [-0.5834042   0.16246173 -0.35430044 ... -0.41480464 -0.15282722
  -0.46539015]
 [ 0.5422824   0.09918968 -0.51139057 ... -0.6354602   0.5885244
   0.40423024]
 ...
 [ 0.7638771  -0.33223122 -0.18970515 ... -0.08609383  0.07780099
   0.10761859]
 [ 0.04166194 -0.54912055 -0.20711236 ... -1.0222144   0.06175939
  -0.28183967]
 [ 0.00656916  0.30357412 -0.0949941  ...  0.20553923 -0.31815213
  -0.4711122 ]]
tensor_name:  v2
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]
tensor_name:  v2_3
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]
tensor_name:  v3_1
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0.]
tensor_name:  v2_1
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0.]
tensor_name:  v3
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0.]

从多个训练模型中找到最近训练保存的模型 tf.train.latest_checkpoint

  model_path = "."
    if not model_path.endswith('/'):
        model_path += '/'
    chkpt_fname = tf.train.latest_checkpoint(model_path)
    print("model_name " +  chkpt_fname)

    with tf.Session() as sess:
        #saver.restore(sess, 'checkpoint/20000.ckpt')
        saver.restore(sess, chkpt_fname)

打印输出：

model_name ./model.ckpt
INFO:tensorflow:Restoring parameters from ./model.ckpt

参考资料：

tensorflow 保存训练模型ckpt 查看ckpt文件中的变量名和对应值

tensorflow保存checkpoint

tensorflow saver和checkpoint总结

tensorflow中的几种模型文件

TensorFlow模型文件保存和读取

TensorFlow保存训练模型与查看ckpt文件中的变量名和对应值