如何使用Tensorflow保存或者加载模型(一)_tensorlow保留每个阶段的net-CSDN博客

本文链接：https://blog.csdn.net/mp43ily/article/details/99721919

本文详细讲解了Tensorflow模型的保存和加载，包括模型文件的构成，以及多个保存和加载的示例代码，帮助读者理解如何在训练过程中续接模型，并在不同场景下使用模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.背景

在深度学习的开源框架中，Tensorflow是最热门的框架之一，相信很多同学已经有了不同程度的学习和了解。但站长在平时的沟通发现，很多同学反应不知道怎么使用自己训练好的模型进行预测，不知道怎么继续接着之前训练了多个轮次的模型进行训练，不知道怎么生成工业化场景里可上线的模型文件等等。因此，站长会写一个针对Tensorflow的模型保存和加载的系列文章，为大家解决相关问题。

1.1 模型文件介绍

Tensorflow保存模型的时候会生成三个文件，分别是meta file，index file，data file。

meta file 这个文件是描述图结构，包括GraphDef, SaverDef等。值得注意的是，在Tensorfow中图和变量是分开的，关于图结构的信息主要保存在meta file中。
index file 这个文件是关于tensor的索引文件，key就是tensor的名字，value就是序列化后的BundleEntryProto。
data file 这个文件保存了所有变量的值。
Tensorflow的模型文件

1.2 模型的保存示例代码一

这里先简单地实现了一个例子，实现的是初始化了随机变量v1和v2，并将变量v1和v2相加获得变量v3。注意：这里保存模型的目录是result而不是model.ckpt。而这里的model.ckpt是模型文件的前缀，如果想要在同一个目录下保存多个模型的话，可以通过修改这个前缀达成目的。

# -*- coding: utf-8 -*-
import tensorflow as tf

v1 = tf.get_variable("v1", shape=[10], initializer=tf.random_normal_initializer)
v2 = tf.get_variable("v2", shape=[10], initializer=tf.random_normal_initializer)
v3 = tf.add(v1,v2, name="v3")

init_op = tf.global_variables_initializer()

saver = tf.train.Saver()

with tf.Session() as sess:
  print("Start initialing model parameters")
  sess.run(init_op)
  print("v1 : %s" % v1.eval())
  print("v2 : %s" % v2.eval())
  print("v3 : %s" % v3.eval())
  # Save the variables to disk.
  save_path = saver.save(sess,