基於TensorFlow可以輕而易舉搭建一個神經網路，而且很好地支援GPU加速訓練。但基於TensorFlow的預測過程，往往需要在嵌入式裝置上才能得以應用。對於我目前做的工作而言，用TF搭建神經網路以及用GPU加速訓練過程的主要用處就是：獲取訓練後的引數（權重和偏置），將這些引數直接放到嵌入式板卡如FPGA中，以其低功耗、高效能、低延時等特點完成嵌入式AI工程。那麼，提取出TF訓練後的引數變成很重要的過程。

        不少IDE可以提供視覺化的引數顯示，本文介紹的方法是不依賴IDE的神經網路引數提取。我們知道，在training之後，模型將會被儲存在一個特定的路徑下。model裡面包括包括加算圖結構、節點資訊、引數

              在TensorFlow裡，提供了tf.train.NewCheckpointReader來檢視model.ckpt檔案中儲存的變數資訊。

引數就是trainable集合的變數，所以也可以通過這個tf.train.NewCheckpointReader來檢視，具體程式碼如下：

import tensorflow as tf
import numpy as np
reader = tf.train.NewCheckpointReader('llw/MNIST_model/mnist_model-29001')
all_variables = reader.get_variable_to_shape_map()
w1 = reader.get_tensor("layer1/weights")
print(type(w1))
print(w1.shape)
print(w1[0])  
 

輸出為：

<class 'numpy.ndarray'>
(784, 500)
[  2.24018339e-02  -2.00362392e-02  -1.12209506e-02   6.77579222e-03
  -9.59016196e-03   1.21959345e-02  -9.51156951e-03  -1.60046462e-02
  -1.37826744e-02  -1.76466629e-02  -2.11188430e-03   3.54206143e-03
  -2.03107391e-02   2.13961536e-03  -4.41462384e-04  -1.93272587e-02
  -3.71702737e-03   2.22449750e-03   2.98950635e-02  -2.47442089e-02
  -7.97873642e-03   2.99713714e-03  -1.77890640e-02   2.59044971e-02
   9.38970014e-04   1.46359997e-02  -2.18281448e-02   1.55605981e-02
  -2.44196616e-02  -2.03805566e-02  -7.10553257e-03  -8.46040528e-03
  -1.21834688e-02  -1.71028115e-02  -1.73374973e-02   1.58206956e-03
   7.28264870e-03  -2.08463762e-02  -7.46442471e-03   7.55013386e-03
   4.64899749e-05   3.26069025e-03  -1.22860866e-02  -2.33450923e-02
   8.73958052e-04  -2.50798613e-02  -2.91012623e-03   2.18578596e-02

....

上述的檔案路徑llw/MNIST_model/mnist_model-29001，為checkpoint指定的路徑：

model_checkpoint_path: "mnist_model-29001"

上述程式只是輸出第一個節點的引數（500個），總引數光第一層引數就有784X500個，不太適合全部列印在螢幕上。

所以可以通過python 的file write()函式將引數寫到txt文字中。在這裡不做詳述。