版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
数据的保存
在将一个神经网络训练好以后，需要将其中的权重、偏值保存下来，从而在下一次使用神经网络时不必训练便可以直接加载参数使用，下面是一个以数据保存和提取为主的程序（这里要注意的是，保存数据仅保存权重和变量，并不保存框架）保存数据的作用是保存权重可以方便模型下一次计算：
import tensorflow as tf
Weights = tf.Variable([[1,2,3],[3,4,5]],dtype=tf.float32,name="Weights")
baises = tf.Variable([[1,32,3]],dtype=tf.float32,name="baises")
saver = tf.train.Saver()#保存数据和提取数据都需要先创建一个对象，才能使用
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
save_path = saver.save(sess, "C:/Users/52566/.jupyter/saver_1")#这里斜杠的方向不能反，否则会报错
save_path = saver.save(sess, "C:/Users/52566/.jupyter/saver_1")save_path: C:/Users/52566/.jupyter/saver_1这是存储路径
数据的读取
Tensorflow支持多种数据的读取方式，最简单的数据输入和读取方式就是对常量的读取，使用placeholder（我会在其他的笔记中介绍该函数，这其实是一个占位符）。但是这种数据读取方式需要手动传递array类型的数据。之后利用feed函数自动在内部构建出一个迭代器对数据进行迭代。
本笔记介绍通过队列的形式对数据进行读取的方式。这种数据的读取方式节省了大量的冗余操作，数据的读取只需要和队列打交道，而不需要和数据底层的读取方式以及数据的类型打交道。从而可以避免数据的预处理等一些耗费大量时间的工作。
通过FIFOQeue函数，首先创建一个先进先出的有序队列，主要用于对数据输入顺序有要求的神经网络模型，例如时序分析等。另外一种队列的创建方法是RandomShuffleQueue函数，用于无序的读取和输出书籍样本。
总结
队列中的数据读取如下：
1，从磁盘读取数据的名称与路径；
2，将文件名依次插入队尾；
3，从队列头部读取文件名并读取数据；
4，Decoder将读取的数据解码；
5，将数据输入样本队列供后续处理使用。