一、首先介紹tensorflow持久化的工作原理，持久化程式碼實現。

1.1使用tf.train.Saver類,以下程式碼給出了儲存tensorflow計算圖的方法。

import tensorflow as tf
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="v2")
result=v1+v2
init_op=tf.initialize_all_variables()
saver=tf.train.Saver()
with tf.Session() as 
 
sess:
    sess.run(init_op)
    saver.save(sess,"D:/gj20170720/model.ckpt")

1.2載入已儲存的模型的方法

import tensorflow as tf
__author__ = 'casgj'
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="v2")
result=v1 + v2
saver=tf.train.Saver()
with tf.Session() as sess:
 
    saver.restore(sess,"D:/gj20170720/model.ckpt")
    print(sess.run(result))

如果不希望重複定義圖上的運算，也可以：

import tensorflow as tf
__author__ = 'casgj'

saver=tf.train.import_meta_graph(("D:/gj20170720/model.ckpt.meta"))

with tf.Session() as sess:
    saver.restore(sess,"D:/gj20170720/model.ckpt")
    print(sess.run
 

1.3變數重新命名的使用

__author__ = 'casgj'
import tensorflow as tf
v1=tf.Variable(tf.constant(1.0,shape=[1]),name="other-v1")
v2=tf.Variable(tf.constant(2.0,shape=[1]),name="other-v2")
saver=tf.train.Saver({"v1":v1,"v2":v2})

1.4儲存滑動平均模型的運用

_author__ = 'casgj'
import tensorflow as tf
v=tf.Variable(0,dtype=tf.float32,name="v")
for variables in tf.all_variables():
    print(variables.name)

ema=tf.train.ExponentialMovingAverage(0.99)
maintain_averages_op=ema.apply(tf.all_variables())


for variables in tf.all_variables():
    print(variables.name)


saver=tf.train.Saver()
with tf.Session() as sess:
    init_op=tf.initialize_all_variables()
    sess.run(init_op)

    sess.run(tf.assign(v,10))
    sess.run(maintain_averages_op)
    saver.save(sess,"D:/gj20170720/model.ckpt")
    print(sess.run([v,ema.average(v)]))

1.5 variables_to_restore的樣例

__author__ = 'casgj'
import tensorflow as tf
v=tf.Variable(0,dtype=tf.float32,name="v")
ema=tf.train.ExponentialMovingAverage(0.99)
print(ema.variables_to_restore())

saver=tf.train.Saver(ema.variables_to_restore())
with tf.Session() as sess:
    saver.restore(sess,"D:/gj20170720/model.ckpt")
    print(sess.run(v))

二、用完整的tensorflow程式解決MNIST問題

2.1前向演算法

      首先將前向傳播過程抽象出來，作為一個可以作為訓練測試共享的模組，取名為mnist_inference.py，程式碼如下：

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

# 定義神經網路結構相關的引數
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500

# 通過tf.get_variable函式來獲取變數。在訓練神經網路時會建立這些變數；在測試時會通
# 過儲存的模型載入這些變數的取值。而且更加方便的是，因為可以在變數載入時將滑動平均變
# 量重新命名，所以可以直接通過相同的名字在訓練時使用變數自身，而在測試時使用變數的滑動
# 平均值。在這個函式中也會將變數的正則化損失加入到損失集合。
def get_weight_variable(shape, regularizer):
    weights = tf.get_variable(
        "weights", shape,
        initializer=tf.truncated_normal_initializer(stddev=0.1)
    )
    # 當給出了正則化生成函式時，將當前變數的正則化損失加入名字為losses的集合。在這裡
    # 使用了add_to_collection函式將一個張量加入一個集合，而這個集合的名稱為losses。
    # 這是自定義的集合，不在TensorFlow自動管理的集合列表中。
    if regularizer != None:
        tf.add_to_collection('losses', regularizer(weights))
    return weights

# 定義神經網路的前向傳播過程
def inference(input_tensor, regularizer):
    # 宣告第一層神經網路的變數並完成前向傳播過程。
    with tf.variable_scope('layer1'):
        # 這裡通過tf.get_variable或者tf.Variable沒有本質區別，因為在訓練或者測試
        # 中沒有在同一個程式中多次呼叫這個函式。如果在同一個程式中多次呼叫，在第一次
        # 呼叫之後需要將reuse引數設定為True。
        weights = get_weight_variable(
            [INPUT_NODE, LAYER1_NODE], regularizer
        )
        biases = tf.get_variable(
            "biases", [LAYER1_NODE],
            initializer=tf.constant_initializer(0.0)
        )
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights)+biases)

    # 類似的宣告第二層神經網路的變數並完成前向傳播過程。
    with tf.variable_scope('layer2'):
        weights = get_weight_variable(
            [LAYER1_NODE, OUTPUT_NODE], regularizer
        )
        biases = tf.get_variable(
            "biases", [OUTPUT_NODE],
            initializer=tf.constant_initializer(0.0)
        )
        layer2 = tf.matmul(layer1, weights) + biases

    # 返回最後前向傳播的結果
    return layer2

2.2訓練模組

      將訓練模型的模組提取出來，訓練模組命名為mnist_train.py，在下面的程式碼中每過1000個step我們就儲存一次模型。程式碼如下：

# -*- coding: utf-8 -*-
import os

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 載入mnist_inference.py中定義的常量和前向傳播的函式。
import mnist_inference

# 配置神經網路的引數。
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 30000
MOVING_AVERAGE_DECAY = 0.99

# 模型儲存的路徑和檔名
MODEL_SAVE_PATH = "D:\gj20170720"
MODEL_NAME = "model.ckpt"

def train(mnist):
    # 定義輸入輸出placeholder。
    x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input')
    y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')

    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    # 直接使用mnist_inference.py中定義的前向傳播過程
    y = mnist_inference.inference(x, regularizer)
    global_step = tf.Variable(0, trainable=False)

    # 定義損失函式、學習率、滑動平均操作以及訓練過程
    variable_averages = tf.train.ExponentialMovingAverage(
        MOVING_AVERAGE_DECAY, global_step
    )
    variable_averages_op = variable_averages.apply(
        tf.trainable_variables()
    )
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
        logits=y, labels=tf.argmax(y_, 1)
    )
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,
        global_step,
        mnist.train.num_examples / BATCH_SIZE,
        LEARNING_RATE_DECAY
    )
    train_step = tf.train.GradientDescentOptimizer(learning_rate)\
                   .minimize(loss, global_step=global_step)
    with tf.control_dependencies([train_step, variable_averages_op]):
        train_op = tf.no_op(name='train')

    # 初始化TensorFlow持久化類
    saver = tf.train.Saver()
    with tf.Session() as sess:
        tf.global_variables_initializer().run()

        # 在訓練過程中不再測試模型在驗證資料上的表現，驗證和測試的過程將會有一個獨
        # 立的程式來完成。
        for i in range(TRAINING_STEPS):
            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            _, loss_value, step = sess.run([train_op, loss, global_step],
                                           feed_dict={x: xs, y_: ys})
            # 每1000輪儲存一次模型
            if i % 1000 == 0:
                # 輸出當前的訓練情況。這裡只輸出了模型在當前訓練batch上的損失
                # 函式大小。通過損失函式的大小可以大概瞭解訓練的情況。在驗證數
                # 據集上正確率的資訊會有一個單獨的程式來生成
                print("After %d training step(s), loss on training "
                      "batch is %g." % (step, loss_value))
                # 儲存當前的模型。注意這裡給出了global_step引數，這樣可以讓每個
                # 被儲存的模型的檔名末尾加上訓練的輪數，比如“model.ckpt-1000”，
                # 表示訓練1000輪之後得到的模型。
                saver.save(
                    sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME),
                    global_step=global_step
                )
def main(argv=None):
    mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
    train(mnist)

if __name__ == "__main__":
    tf.app.run()

執行結果：

2.3驗證與測試模組

       驗證模組與測試模組可以對儲存好的訓練模型進行驗證與測試，在下面的程式碼中選擇每過10秒鐘驗證一個最新的模型。這樣做的好處是可以將訓練與驗證或者測試分割開來，同時進行。

# -*- coding: utf-8 -*-
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 載入mnist_inference.py 和mnist_train.py中定義的常量和函式。
import mnist_inference
import mnist_train

# 每10秒載入一次最新的模型，並且在測試資料上測試最新模型的正確率
EVAL_INTERVAL_SECS = 10

def evaluate(mnist):
    with tf.Graph().as_default() as g:
        # 定義輸入輸出的格式。
        x = tf.placeholder(
            tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input'
        )
        y_ = tf.placeholder(
            tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input'
        )
        validate_feed = {x: mnist.validation.images,
                         y_: mnist.validation.labels}

        # 直接通過呼叫封裝好的函式來計算前向傳播的結果。因為測試時不關注ze正則化損失的值
        # 所以這裡用於計算正則化損失的函式被設定為None。
        y = mnist_inference.inference(x, None)

        # 使用前向傳播的結果計算正確率。如果需要對未知的樣例進行分類，那麼使用
        # tf.argmax(y,1)就可以得到輸入樣例的預測類別了。
        correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

        # 通過變數重新命名的方式來載入模型，這樣在前向傳播的過程中就不需要呼叫求滑動平均
        # 的函式來獲取平均值了。這樣就可以完全共用mnist_inference.py中定義的
        # 前向傳播過程。
        variable_averages = tf.train.ExponentialMovingAverage(
            mnist_train.MOVING_AVERAGE_DECAY
        )
        variables_to_restore = variable_averages.variables_to_restore()
        saver = tf.train.Saver(variables_to_restore)

        # 每隔EVAL_INTERVAL_SECS秒呼叫一次計算正確率的過程以檢驗訓練過程中正確率的
        # 變化。
        while True:
            with tf.Session() as sess:
                # tf.train.get_checkpoint_state函式會通過checkpoint檔案自動
                # 找到目錄中最新模型的檔名。
                ckpt = tf.train.get_checkpoint_state(
                    mnist_train.MODEL_SAVE_PATH
                )
                if ckpt and ckpt.model_checkpoint_path:
                    # 載入模型。
                    saver.restore(sess, ckpt.model_checkpoint_path)
                    # 通過檔名得到模型儲存時迭代的輪數。
                    global_step = ckpt.model_checkpoint_path\
                                      .split('/')[-1].split('-')[-1]
                    accuracy_score = sess.run(accuracy,
                                              feed_dict=validate_feed)
                    print("After %s training step(s), validation "
                          "accuracy = %g" % (global_step, accuracy_score))
                else:
                    print("No checkpoint file found")
                    return
            time.sleep(EVAL_INTERVAL_SECS)

def main(argv=None):
    mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
    evaluate(mnist)

if __name__ == "__main__":
    tf.app.run()

執行結果：