相信看到这篇文章的时候，大家都已经看完了之前的mnist手写实例了，如果没有看，没关系，点击（Tensorflow实战mnist手写识别）
通过这篇文章，你可以学到：
- 两种方法模型的保存
- 两种方法对于模型的载入和使用
方法一：tf.train.Saver()
涉及到的方法：
保存：
tf.add_to_collection('logits',y)
saver = tf.compat.v1.train.Saver()
saver.save(sess,"./model/model",global_step=200)
载入：
input_model=tf.train.import_meta_graph('./model/model-200.meta')
input_model.restore(sess,'./model/model-200')
sess.graph.get_operation_by_name('input_x').outputs[0]
tf.get_collection('logits')[0]
add_to_collection()
这个方法是将某一变量添加到集合中，可以在之后模型调用的时候再拿出来用。
saver.save(a,b,c)
< a参数是会话 也就是tf.compat.v1.Session()
< b参数是路径和名称，如图所示，model文件下，文件开头是model。
< c参数也可以当作给文件命名，如果你想在程序训练的第200步进行模型存储，可以给它赋值200 此时，文件名后面就会多一个-200
tf.train.import_meta_graph(a)
input_model.restore(c,d’)
这两个方法就是对模型的导入和恢复。
< a参数为之前保存的后缀名是.meta的文件地址
< c参数是会话sess，即tf.compat.v1.Session()
< d 参数是文件名，不带后缀 比如上图的model-200
下面简单说一下图中四个文件的用处
checkpoint 最新的文件保存地址记录
model-200.data-00000-of-00001、保存了所有的训练变量
model-200.meta 保存了整个模型的图(Graph)
tf.add_to_collection(‘logits’,y)
tf.get_collection(‘logits’)[0]
前者是在模型中保存变量，后者是在加载完模型中，获得模型中的变量
方法二：tf.saved_model.builder.SavedModelBuilder（）
保存：
#builder = tf.saved_model.builder.SavedModelBuilder('check_path_mnist')#保存模型方法二
#builder.add_meta_graph_and_variables(sess,['predict_mnist'])#保存模型方法二
#builder.save()#保存模型方法二
载入：
tf.saved_model.loader.load(sess,['predict_mnist'],"check_path_mnist")
这里面的参数我就不解释了，跟方法一大同小异，大家对照了看看就行了，有问题可以底部留言。
具体代码大家可以去Github下载 地址
参考博客：
Tensorflow模型载入
