加載tf模型 正确率很低_「小白能懂系列」Tensorflow模型存儲和調用執行個體（附代碼）...

先講一下Tensorflow模型的組成，如果是通過tf.train.Saver()儲存的模型，那麼會生成3種檔案：

1. .meta是網絡結構，就是深度學習網絡的那些隐層和全連接配接層等的定義
2. checkpoint是記錄輸出模型的checkpoint
3. 剩下的檔案儲存的是模型網絡中的具體的參數

下面看下訓練代碼：

代碼很簡單，先定義兩個Tensor的變量w1和w2，b1是一個常量2，然後定義一個字典，其中w1是4，w2是8。接着定義op，op指的是Tensorflow計算符，tf.add将w1和w2相加，然後通過tf.multiply将w1和w2相加的結果乘以2。接着生成全局的參數tf.global_variables_intitializer()，就是初始化參數，取第1000次的checkpoint把模型儲存為my_test_model。這個代碼的意思是輸入w1和w2，然後模型會傳回(w1+w2)*b1的結果，b1是常量，等于2。

運作後模型就儲存下來，下面看下怎麼調用：

通過import_meta_graph這個函數加載訓練時的網絡結構，然後用restore方法加載網絡結構中的權重，到了這步預測模型就加載好了。接着設定一組預測值，使得w1=6，w2=7。擷取計算op，也就是當初訓練的時候定義的op名稱‘op_to_restore’。然後就可以把資料傳到op裡進行計算，生成的結果為(6+7)*2=26。

彩蛋：如果想基于已有的模型refine，可以在原有模型上增加計算op，參考第二張圖注釋部分，可以自己試下。