tf.train.Saver

Saver类添加ops来在检查点之间保存和恢复变量，它还提供了运行这些操作的方便方法。检查点是私有格式的二进制文件，它将变量名映射到张量值。检查检查点内容的最佳方法是使用保护程序加载它。保护程序可以自动编号检查点文件名与提供的计数器。这允许您在训练模型时在不同的步骤中保持多个检查点。例如，您可以使用训练步骤编号为检查点文件名编号。为了避免磁盘被填满，保护程序自动管理检查点文件。例如，他们只能保存N个最近的文件，或者每N个小时的培训只能保存一个检查点。通过将一个值传递给可选的global_step参数以保存()，可以对检查点文件名进行编号:

saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0'
...
saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000'

此外，Saver()构造函数的可选参数允许您控制磁盘上检查点文件的扩散:

• max_to_keep指示要保存的最近检查点文件的最大数量。随着新文件的创建，旧文件将被删除。如果没有或0，则不会从文件系统中删除检查点，而只保留检查点文件中的最后一个检查点。默认值为5(即保存最近的5个检查点文件)。
• keep_checkpoint_every_n_hours:除了保存最近的max_to_keep检查点文件之外，您可能还想为每N小时的培训保留一个检查点文件。如果您希望稍后分析一个模型在长时间的培训过程中是如何进行的，那么这将非常有用。例如，传递keep_checkpoint_every_n_hours=2可以确保每2小时的培训中保留一个检查点文件。默认值10,000小时实际上禁用了该特性。

注意，您仍然必须调用save()方法来保存模型。将这些参数传递给构造函数不会自动为您保存变量。一个定期储蓄的训练项目是这样的:

...
# Create a saver.
saver = tf.compat.v1.train.Saver(...variables...)
# Launch the graph and train, saving the model every 1,000 steps.
sess = tf.compat.v1.Session()
for step in xrange(1000000):
    sess.run(..training_op..)
    if step % 1000 == 0:
        # Append the step number to the checkpoint name:
        saver.save(sess, 'my-model', global_step=step)

除了检查点文件之外，保存程序还在磁盘上保存一个协议缓冲区，其中包含最近检查点的列表。这用于管理编号的检查点文件和latest_checkpoint()，从而很容易发现最近检查点的路径。协议缓冲区存储在检查点文件旁边一个名为“检查点”的文件中。如果创建多个保存程序，可以在save()调用中为协议缓冲区文件指定不同的文件名。

__init__

__init__(
    var_list=None,
    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
)

创建一个Saver。构造函数添加ops来保存和恢复变量。var_list指定将保存和恢复的变量。它可以作为dict或列表传递:

例如:

• 变量名的dict:键是用于保存或恢复检查点文件中的变量的名称。
• 变量列表:将在检查点文件中键入变量的op名称。