深度學習中，模型訓練一般都需要很長的時間，由於很多原因，導致模型中斷訓練，下面介紹繼續斷點訓練的方法。

方法一：載入模型時，不必指定迭代次數，一般預設最新

# 儲存模型
saver = tf.train.Saver(max_to_keep=1) # 最多保留最新的模型

# 開啟會話
with tf.Session() as sess:
    # saver.restore(sess, './log/' + "model_savemodel.cpkt-" + str(20000))
    sess.run(tf.global_variables_initializer())
    ckpt = tf.train.get_checkpoint_state('./log/')  # 注意此處是checkpoint存在的目錄，千萬不要寫成‘./log’
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess,ckpt.model_checkpoint_path) # 自動恢復model_checkpoint_path儲存模型一般是最新
        print("Model restored...")
    else:
        print('No Model')
 

方法二：載入時，指定想要載入模型的迭代次數

     需要到Log資料夾中，檢視當前迭代的次數，如下：此時為111000次。

# 儲存模型
saver = tf.train.Saver(max_to_keep=1)
# 開啟會話

with tf.Session() as sess:
    saver.restore(sess, './log/' + "model_savemodel.cpkt-" + str(111000))
    sess.run(tf.global_variables_initializer())

載入模型後，會繼續端點處的變數繼續訓練，那麼是否可以減小剩餘的需要的迭代次數？

模型斷點訓練效果展示：

訓練到167000次後，載入模型重新訓練。設定迭代次數為10000次，（d_step=1000）。原始設定的迭代的次數為1000000，已經訓練了167000次。

Model restored...
Iter:0, D_loss:0.5139875411987305, G_loss:2.8023970127105713
Iter:1000, D_loss:0.4400891065597534, G_loss:2.781547784805298
Iter:2000, D_loss:0.5169454216957092, G_loss:2.58009934425354
Iter:3000, D_loss:0.4507023096084595, G_loss:2.584151268005371
Iter:4000, D_loss:0.5746167898178101, G_loss:2.5365757942199707
Iter:5000, D_loss:0.5288565158843994, G_loss:2.426676034927368
Iter:6000, D_loss:0.549595057964325, G_loss:2.820535659790039
Iter:7000, D_loss:0.32620012760162354, G_loss:2.540236473083496
Iter:8000, D_loss:0.4363398551940918, G_loss:2.5880446434020996
Iter:9000, D_loss:0.569464921951294, G_loss:2.5133447647094727
done！
 

儲存的圖片仍然從頭開始編號，會覆蓋掉之前的圖片。

以前對應編號的取樣圖片為：

若有朋友有高見，還請不吝賜教。