tf.train.Saver()

tf.train.Saver() 作用：保存和加载模型

saver = tf.train.Saver()

saver.save(sess, ‘路径 + 模型文件名’）

在创建这个 Saver 对象的时候， max_to_keep 参数表示要保留的最近检查点文件的最大数量，创建新文件时，将删除旧文件，默认为 5（即保留最近的 5 个检查点文件），max_to_keep=5。

需要注意的是，tensorflow变量的作用范围是在一个session里面，所以在保存模型的时候，应该在session里面通过save方法保存。

saver = tf.train.Save(max_to_keep=5)

 

saver = tf.train.Saver(...variables...)
 
__init__(
    var_list=None, #var_list指定要保存和恢复的变量
    reshape=False,
    sharded=False,
    max_to_keep=5,
    keep_checkpoint_every_n_hours=10000.0,
    name=None,
    restore_sequentially=False,
    saver_def=None,
    builder=None,
    defer_build=False,
    allow_empty=False,
    write_version=tf.train.SaverDef.V2,
    pad_step_number=False,
    save_relative_paths=False,
    filename=None
)

 global_step表示每多少次（1000次）就保存一下模型：

saver.save(sess, 'my_test_model',global_step=1000)

 

当然在训练的时候，假设每1000次就保存一次模型，但是这些保存的文件中变化的仅仅是神经网络的variable，而网络结构没有变化，没必要重复保存.meta文件。

所以我们可以设置只让网络结构保存一次：

saver.save(sess, 'my-model', global_step=step,write_meta_graph=False)

 如果只想保留最新的5个模型，并希望每1个小时保存一次，可以使用max_to_keep和keep_checkpoint_every_n_hours:

#saves a model every 1 hours and maximum 5 latest models are saved.
saver = tf.train.Saver(max_to_keep=5, keep_checkpoint_every_n_hours=1)

原文链接：https://blog.csdn.net/devinzkx/article/details/124489530