訓練模型：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#mnist已經作為官方的例子，做好了資料下載，分割，轉浮點等一系列工作，原始碼在tensorflow原始碼中都可以找到
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 配置每個 GPU 上佔用的記憶體的比例
# 沒有GPU直接sess = tf.Session()
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.95
 
)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

#每個批次的大小
batch_size = 20
#定義訓練輪資料
train_epoch = 10
#定義每n輪輸出一次
test_epoch_n = 1

#計算一共有多少批次
n_batch = mnist.train.num_examples // batch_size
print("batch_size="+str(batch_size)+"n_batch="+str(n_batch))

#佔位符，定義了輸入，輸出
x = tf.placeholder(tf.float32,[None
 
, 784]) 
y_ = tf.placeholder(tf.float32,[None, 10]) 
#權重和偏置，使用0初始化
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

#這裡定義的網路結構
y = tf.matmul(x,W) + b

#損失函式是交叉熵
#cross_entropy = -tf.reduce_sum(y_*tf.log(y))
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_,logits=y))
#訓練方法：
 

#train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
train_step = tf.train.AdamOptimizer(1e-2).minimize(cross_entropy)

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

#初始化sess中所有變數
init = tf.global_variables_initializer() 
sess.run(init) 
#打印出需要tensor的名字
print(x)
print(y_)
print(accuracy)

MaxACC = 0#最好的ACC
saver = tf.train.Saver()  

#訓練n個epoch
for epoch in range(train_epoch): 
    for batch in range(n_batch):
        batch_xs, batch_ys = mnist.train.next_batch(batch_size) 
        sess.run(train_step, feed_dict = {x: batch_xs, y_: batch_ys}) 
    if(0==(epoch%test_epoch_n)):#每若干次預測test一次
        #計算test集的準確率
        correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
        now_acc=sess.run(accuracy, feed_dict={x:mnist.test.images, y_: mnist.test.labels})
        print('epoch=',epoch,'ACC=',now_acc)
        if(now_acc>MaxACC):
            MaxACC = now_acc
            saver.save(sess, "Model/ModelSoftmax.ckpt")  
            print('Save model! Now ACC=',MaxACC)

#計算最終test集的準確率
print('Train OK! epoch=',epoch,'ACC=',sess.run(accuracy, feed_dict={x:mnist.test.images, y_: mnist.test.labels}))

#關閉sess
sess.close()

讀取模型：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#mnist已經作為官方的例子，做好了資料下載，分割，轉浮點等一系列工作，原始碼在tensorflow原始碼中都可以找到
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 配置每個 GPU 上佔用的記憶體的比例
# 沒有GPU直接sess = tf.Session()
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.95)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

#每個批次的大小
batch_size = 20
#定義訓練輪資料
train_epoch = 100
#定義每n輪輸出一次
test_epoch_n = 1

#計算一共有多少批次
n_batch = mnist.train.num_examples // batch_size
print("batch_size="+str(batch_size)+"n_batch="+str(n_batch))

saver = tf.train.import_meta_graph("./Model/ModelSoftmax.ckpt.meta")
saver.restore(sess, "./Model/ModelSoftmax.ckpt") # 注意此處路徑前新增"./"  
print('Load Model OK!')
print('ACC=',sess.run("Mean_1:0", feed_dict={"Placeholder:0":mnist.test.images,"Placeholder_1:0": mnist.test.labels}))

這裡tensor的名字我是在訓練的時候打印出來的，
那麼剩下的問題是：如果我只有一個模型的檔案，那麼我怎麼知道每個tesnor的名字，整個網路的結構呢？