本文只对一些细节点做补充，大体的步骤就不详述了
① 首先我使用的是tensorflow-gpu 1.4.0
② 这个版本生成的ckpt文件是这样的：
其中.meta存放的是网络模型和所有的变量；
.index 和.data一起存放变量数据
-0 -500表示checkpoint点
③ 保存的配置(一定细看代码注释！！！)
import tensorflow as tf w1 = tf.Variable(变量的初始化, name='w1') w2 = tf.Variable(变量的初始化, name='w2') saver = tf.train.Saver([w1,w2],max_to_keep=5, keep_checkpoint_every_n_hours=2) # 这里是细节部分，可以指定保存的变量，每两小时保存最近的5个模型 sess = tf.Session() sess.run(tf.global_variables_initializer()) saver.save(sess, './checkpoint_dir/MyModel',global_step=step,write_meta_graph=False)) # 因为模型没必要多次保存，所以写为False
代码：
import tensorflow as tf
with tf.Session() as sess:
saver = tf.train.import_meta_graph(模型路径) # 模型路径中必须指定到具体的模型下如：xx.ckpt-500.meta，且一般来讲，所有模型都是一样的，如果没有改变模型的条件下。
# 下面的restore就是在当前的sess下恢复了所有的变量
saver.restore(sess,数据路径) # 数据路径也必须指定到具体某个模型的数据，但创建这个路径的方法很多，比如调用最后一个保存的模型tf.train.latest_checkpoint('./checkpoint_dir')，也可以是xx.ckpt-500.data,并且这两个是等效的,如果是xx.ckpt-0.data，就是第一个模型的数据
print(sess.run('w1:0')) # 这里的w1必须加上:0
重点在于，第一个文件用于 训练，保存图meta和训练好的参数data（后缀），在另一个文件中导入这个图和训练好的参数，用于预测或者接着训练。
大大减少了另一个文件里的 重复
产生变量的代码和恢复变量的代码在同一个文件时，可以直接如下调用：
# 建模型
saver = tf.train.Saver()
with tf.Session() as sess:
# 存模型，注意此处的model是文件名，不是路径
saver.save(sess, "/tmp/model")
with tf.Session() as sess:
# 恢复模型
saver.restore(sess, "/tmp/model")不想在另一个文件中，把产生变量的 一大堆代码重敲一遍，可以直接从保存好的 meta文件和data文件中恢复出来
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2019/9/9 20:49
# @Author : ZZL
# @File : 保存检查点文件，并恢复.py
import tensorflow as tf
# Saving contents and operations.
v1 = tf.placeholder(tf.float32, name="v1")
v2 = tf.placeholder(tf.float32, name="v2")
v3 = tf.multiply(v1, v2)
vx = tf.Variable(10.0, name="vx")
v4 = tf.add(v3, vx, name="v4")
saver = tf.train.Saver([vx])
with tf.Session() as sess:
with tf.device('/cpu:0'):
sess.run(tf.global_variables_initializer())
sess.run(vx.assign(tf.add(vx, vx)))
result = sess.run(v4, feed_dict={v1: 12.0, v2: 3.3})
print(result)
print(saver.save(sess, "./model_ex1")) # 该方法返回新创建的检查点文件的路径前缀。这个字符串可以直接传递给对“restore()”的调用。#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2019/9/9 20:54
# @Author : ZZL
# @File : 恢复文件.py
import tensorflow as tf
saver = tf.train.import_meta_graph("./model_ex1.meta")
sess = tf.Session()
saver.restore(sess, "./model_ex1")
result = sess.run("v4:0", feed_dict={"v1:0": 12.0, "v2:0": 3.3})
print(result)先来个空图，loaded_graph，在会话中，导入之前构建好的图的文件 后缀 meta，loader.restore(sess, save_model_path)
在当前的loaded_graph中，导入构建好的图和图上的变量值。
def test_model():
test_features, test_labels = pickle.load(open('preprocess_test.p', mode='rb'))
loaded_graph = tf.Graph() # <tensorflow.python.framework.ops.Graph object at 0x0000017CB3702320>
# print( loaded_graph)
# print(tf.get_default_graph()) # <tensorflow.python.framework.ops.Graph object at 0x0000017C9A0C0C50>
with tf.Session(graph=loaded_graph) as sess:
# 读取模型
loader = tf.train.import_meta_graph(save_model_path + '.meta')
print(loader)
loader.restore(sess, save_model_path)
print(tf.get_default_graph()) # <tensorflow.python.framework.ops.Graph object at 0x0000017CB3702320>
# 从已经读入的模型中 获取tensors
loaded_x = loaded_graph.get_tensor_by_name('x:0')
loaded_y = loaded_graph.get_tensor_by_name('y:0')
loaded_keep_prob = loaded_graph.get_tensor_by_name('keep_prob:0')
loaded_logits = loaded_graph.get_tensor_by_name('logits:0')
loaded_acc = loaded_graph.get_tensor_by_name('accuracy:0')
# 获取每个batch的准确率，再求平均值，这样可以节约内存
test_batch_acc_total = 0
test_batch_count = 0
for test_feature_batch, test_label_batch in helper.batch_features_labels(test_features, test_labels, batch_size):
test_batch_acc_total += sess.run(
loaded_acc,
feed_dict={loaded_x: test_feature_batch, loaded_y: test_label_batch, loaded_keep_prob: 1.0})
test_batch_count += 1以上为个人经验，希望对您有所帮助。