tf.train.Saver()

１．实例化对象

saver=tf.train.Saver(max_to_keep=1)

max_to_keep: 表明保存的最大checkpoint 文件数。当一个新文件创建的时候，旧文件就会被删掉。如果值为None或0，表示保存所有的checkpoint 文件。默认值为5（也就是说，保存最近的5个checkpoint 文件）。
keep_checkpoint_every_n_hour: 除了保存最近的max_to_keep checkpoint 文件，你还可能想每训练N小时保存一个checkpoint 文件。这将是非常有用的，如果你想分析一个模型在很长的一段训练时间内是怎么改变的。例如，设置 keep_checkpoint_every_n_hour=2 确保没训练2个小时保存一个checkpoint 文件。默认值10000小时无法看到特征。

２．保存训练过程中的或者训练好的，模型图及权重参数
2.1.创建完saver对象后，就可以保存训练好的模型了

saver.save(sess=sess,save_path=model_save_path,global_step=step)

第一个参数sess=sess，会话名字；
第二个参数save_path=model_save_path，设定权重参数保存的路径和文件名；
第三个参数global_step=step，将训练的次数作为后缀加入到模型名字中。

2.2.一次 saver.save() 后可以在文件夹中看到新增的四个文件，

实际上每调用一次保存操作会创建后3个数据文件并创建一个检查点（checkpoint）文件。

简单理解就是权重等参数被保存到 .ckpt.data 文件中，以字典的形式；
.ckpt-index，应该是内部需要的某种索引来正确映射前两个文件；
图和元数据被保存到 .ckpt.meta 文件中，可以使用tf.train.import_meta_graph 加载；

３．重载模型的图及权重参数
重载模型的参数，继续训练或用于测试数据。

saver.restore(sess=sess, save_path=model_save_path)

第一个参数sess=sess，会话名字；
第二个参数save_path=model_save_path，权重参数的保存的路径和文件名。