在tensorflow 1.x中，如何在每个训练时期保持模型的输出？

import tensorflow as tf

# 定义输入占位符
x = tf.placeholder(tf.float32, shape=[None, input_size], name='input')

# 定义模型的网络结构
# ...

# 定义模型的输出
output = tf.nn.softmax(logits, name='output')

# 定义标签占位符
y_true = tf.placeholder(tf.float32, shape=[None, num_classes], name='labels')

# 定义损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_true))

# 定义优化器
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

saver = tf.train.Saver()

with tf.Session() as sess:
    # 初始化变量
    sess.run(tf.global_variables_initializer())

    for epoch in range(num_epochs):
        # 执行训练步骤
        # ...

        # 在每个训练时期结束时保存模型的输出
        saver.save(sess, 'model_checkpoint', global_step=epoch)