S = mnist.train.next_batch（BATCH_SIZE）
プリント（xs.shape）
プリント（ys.shape）
##すべての変数の組から取られた
＃1 tf.get_collection（）
##追加リストに対応する要素内
（[]）＃1 tf.add_nを
##変換型
＃1 tf.cast（X、DTYPE =）
##ここで、戻りの最大値良いシーケンス
＃tf.argmax（X、軸）
の##パスに追加
＃インポートOSの
os.path.join（ "ホーム"、 "名"）＃を
##文字列操作スプリット（）
＃」./model/momist_model- 1001 ".split（" / "） [ - 1] .split（" - 「）[ - 1]
##保存したモデル
＃tf.train.Saverセーバー=（）
セッション数AS tf.Session（）と＃：
＃Iレンジ（ステップ）での場合：
＃％ラウンドI 0 == IF：
＃1 saver.save（セッション数、 os.path.join（モデル、NAME）、global_step、株式会社参加無料=）
の##負荷モデル
：セッション数AS tf.Session＃（）と
＃= tf.train.get_checkpoint_state CKPT（ストレージ・パス）
：CKPTのandckpt.model_path IF＃
＃saver.restore（セッション数、ckpt.model_path）
の##が摺動Pingjun還元インスタンス化
=＃EMAをtf.train.ExponentialMovingAverage（移動平均ベース）
＃= ema_restore ema.variable_to_restore（）
＃= tf.train.Saverセーバー（ema_restore）
##計算精度
＃correct_prediction = tf.equal（tf.argmax（Y ,. 1）、tf.argmax（Y_ ,. 1））
＃= accurcy tf.reduce_mean（tf.cast（correct_prediction、tf.float32））