1.モデルパラメータを保存します。
インポートAS tensorflowのTF
W = tf.Variable（0.0、NAME = 'graph_w'）
WW = tf.Variable（tf.random_normal（形状=（2,3）、STDDEV = 0.5）、NAME = 'graph_ww'）
＃=ダブルtf.multiply（2.0、W）
セーバー= tf.train.Saver（{ 'weights_w'：W 'weights_ww'：WWは}）ここで＃は、キーワードモデルファイル名を所有することができ、そしてなどweights_w weights_ww
＃キーに対応します変数名とW WWはなく、graph_wとgraph_wwの値、それ以外の場合はエラーになります。{「weights_w」：「wは weights_ww」：WW} モデルファイル
＃変数は、フォーム辞書、辞書ではない場合を書き出す、保存する必要が、デフォルトではすべてを保存します。
= tf.Sessionセッション数（）
sess.run（tf.global_variables_initializer（））
Iの範囲は（4）：
D = sess.run（tf.assign_add（2）、w）の最終的に得算出するWこのステップ＃図8は、最終的セーバー種保存さ
wは変数名でなければならない、グラフがgraph_wされていないwは、そうでなければエラー番号を
印刷（D）
プリント（「= W」、sess.run（）w）
（プリント'WW ='、SESの。
2.モデルが回復パラメータ：
インポートAS tensorflow TFが
tf.Variable =（0.0、NAME = 'weights_w'）restore_w
かかわらずrestore_ww = tf.Variable（tf.random_normal（形状=（2,3）、STDDEV = 0.5）、NAME = 'weights_ww'）位変数に初期値を割り当てることはありません初期値が、無通話tf.global_variables_initializer（）関数、
グラフを回復するために格納された変数をwおよびWW回復を対応する＃1 restore_wのrestore_wwは変数に対応する格納されなければなりません対応するキーワード辞書の名前、
＃それ以外の場合はエラーになります。可変パラメータに対応した回復の変数名は、自分自身の名前を変更することができますが、グラフの名前で辞書のキーでなければなりません。
tf.multiply =ダブル（2.0、restore_w）
セーバー= tf.train.Saver（）
セッション数= tf.Session（）
saver.restore（セッション数、 'test.ckpt'）
F = sess.run（ダブル）
プリント（F）
印刷（ 'restore_ww ='、sess.run （restore_ww））
要約：
①コールtf.global_variables_initializer（）またはtf.variables_initializer（）関数は、変数restore_ww = tf.Variable（tf.random_normal（形状=しない場合は、変数を初期化する2つの方法があります =（2,3）、STDDEV 0.5）、NAME = 'weights_ww' ）
初期化。逆に、（）saver.restoreその変数が初期化されます。同時に、それはまた、変数がエラーなしで初期化されていることを示しています。
②モデルパラメータが辞書に保存され、そのキーが名前を所有することができ、その値は、変数（名の非グラフ）である必要があります。
モデル変数に対応するパラメータが自分の名前を復元することができるが、対応する変数名③は、可変鍵（キー）に対応するグラフモデルパラメータに格納されなければなりません。