import tensorflow as tf# 声明两个变量并计算它们的和
v1 = tf.Variable(tf.constant(1.0, shape=[1]), name = "v1")
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name = "v2")
result = v1 + v2init_op = tf.global_variables_initializer()
saver = tf.train.Saver()with tf.Session() as sess:sess.run(init_op)# 将模型保存到Saved_model目录下saver.save(sess, "Saved_model/model.ckpt")

import tensorflow as tfv1 = tf.Variable(tf.constant(1.0, shape=[1]), name = "v1")
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name = "v2")
result = v1 + v2init_op = tf.global_variables_initializer()
saver = tf.train.Saver()with tf.Session() as sess:saver.restore(sess, "Saved_model/model.ckpt")print(sess.run(result))

[ 3.]

import tensorflow as tf# 直接加载持久化的图
saver = tf.train.import_meta_graph("Saved_model/model.ckpt.meta")with tf.Session() as sess:saver.restore(sess, "Saved_model/model.ckpt")print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0"))) # [3.]# 运行结果：
# [ 3.]

import tensorflow as tfv = tf.Variable(0, dtype=tf.float32, name="v")
# 【勘误】原书的代码中用的是tf.all_variables()，版本太老了；系统提示改用tf.global_variables
# 在没有声明滑动平均模型时只有一个变量v，所以下面的语句只会输出“v:0”
for variables in tf.global_variables():print(variables.name)# 运行结果：
# v:0# ----------------------分割线----------------------ema = tf.train.ExponentialMovingAverage(0.99)
maintain_averages_op = ema.apply(tf.global_variables())
# 在声明了滑动平均模型之后，TensorFlow会自动生成一个影子变量 v/ExponentialMovingAverage
for variables in tf.global_variables():print(variables.name)# 运行结果：
# v:0
# v/ExponentialMovingAverage:0# ----------------------分割线----------------------saver = tf.train.Saver()
with tf.Session() as sess:#【勘误】原书是tf.initialze_all_variables()，版本太老，现在推荐的是tf.global_variables_initializer()init_op = tf.global_variables_initializer()sess.run(init_op)sess.run(tf.assign(v, 10))sess.run(maintain_averages_op)saver.save(sess, "Saved_model/model2.ckpt")print(sess.run([v, ema.average(v)]))# 运行结果：
# [10.0, 0.099999905]# ----------------------分割线----------------------import tensorflow as tfv1 = tf.Variable(0, dtype=tf.float32, name="v1")
v2 = tf.Variable(0, dtype=tf.float32, name="v2")# 通过变量重命名，将原模型的v赋值给v1，原模型的v/ExponentialMovingAverage赋值给v2
saver = tf.train.Saver({"v": v1, "v/ExponentialMovingAverage": v2})
with tf.Session() as sess:saver.restore(sess, "Saved_model/model2.ckpt")print(sess.run([v1, v2]))# 运行结果：
# [10.0, 0.099999905]

import tensorflow as tfv = tf.Variable(0, dtype=tf.float32, name="v")
ema = tf.train.ExponentialMovingAverage(0.99)
print(ema.variables_to_restore())# 运行结果：
# {'v/ExponentialMovingAverage': <tf.Variable 'v:0' shape=() dtype=float32_ref>}# 注意整个saver和上一段代码片中的saver的区别，这里就不用以变量重命名的方式载入ema了
saver = tf.train.Saver(ema.variables_to_restore())
with tf.Session() as sess:saver.restore(sess, "Saved_model/model2.ckpt")print(sess.run(v))# 运行结果：
# 0.0999999

import tensorflow as tf
from tensorflow.python.framework import graph_utilv1 = tf.Variable(tf.constant(1.0, shape=[1]), name = "v1")
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name = "v2")
result = v1 + v2init_op = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init_op)# 导出当前计算图中的GraphDef部分，只需要这一部分就可以完成从输入层到输出层的计算过程graph_def = tf.get_default_graph().as_graph_def()# 将图中的变量及其取值转化为常量，同时将图中不必要的节点去掉# 如果只关心程序中定义的某些计算时，和这些计算无关的节点就没有必要导出并保存了# 在下面一行代码中，最后一个参数['add']给出了需要保存的节点名称# 注意add节点是上面定义的两个变量相加的操作，其后面没有:0# 而张量的名称后面有:0，表示的是某个计算节点的第一个输出output_graph_def = graph_util.convert_variables_to_constants(sess, graph_def, ['add'])with tf.gfile.GFile("Saved_model/combined_model.pb", "wb") as f:f.write(output_graph_def.SerializeToString())# 运行结果：
# Converted 2 variables to const ops.

import tensorflow as tf
from tensorflow.python.platform import gfilewith tf.Session() as sess:model_filename = "Saved_model/combined_model.pb"# 读取保存的模型文件，并将文件解析成对应的GraphDef Protocol Buffer：with gfile.FastGFile(model_filename, 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())# 将graph_def中保存的图加在到当前的图中，return_elements=["add:0"]给出了返回的张量的名称。在保存的时候给出的是计算节点的名称，所以为"add"# 在加载的时候给出的是张量的名称，所以是"add:0"result = tf.import_graph_def(graph_def, return_elements=["add:0"])print(sess.run(result))# 运行结果：
# [array([ 3.], dtype=float32)]