Saver的作用是將我們訓練好的模型的參數保存下來，以便下一次繼續用於訓練或測試；Restore的用法是將訓練好的參數提取出來。

1.Saver類訓練完後，是以checkpoints文件形式保存。提取的時候也是從checkpoints文件中恢復變量。Checkpoints文件是一個二進制文件，它把變量名映射到對應的tensor值 。

2.通過for循環，Saver類可以自動的生成checkpoint文件。這樣我們就可以保存多個訓練結果。例如，我們可以保存每一步訓練的結果。但是為了避免填滿整個磁盤，Saver可以自動的管理Checkpoints文件。例如，我們可以指定保存最近的N個Checkpoints文件。

應用實例：

#保存變量
import tensorflow as tf
# 創建兩個變量
v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v_1")
v2= tf.Variable(tf.zeros([200]), name="v_2")

# 添加用於初始化變量的節點
init_op = tf.global_variables_initializer()

# Create a saver.
saver = tf.train.Saver(tf.global_variables())

# 運行，保存變量
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    
 
for step in range(5000):
        sess.run(init_op)    
        if step % 1000 == 0:
　　　　　　　saver.save(sess,basicpath+‘my-model‘, global_step=step)
    print("v1 = ", v1.eval())
    print("v2 = ", v2.eval())
            
print_tensors_in_checkpoint_file(basicpath+"my-model-0", None, True) #通過這個方法，我們可以打印出保存了什麽變量和值。        

恢復變量：

saver = tf.train.Saver()
with tf.Session() as sess:
    #tf.global_variables_initializer().run()
    module_file = tf.train.latest_checkpoint(‘C:/Users/defadiannao/Desktop/saver/‘)    
    saver.restore(sess, module_file)
    #print("w1:", sess.run(v3))  
    #print("b1:", sess.run(v4))
    print("w1:", sess.run(v1))
    print("b1:", sess.run(v2))

Tensorflow---Saver和restore的用法