TensorFlow提供了多种方法来存储和恢复模型，包括DNNClassifier。在没有变量保存的情况下，可以使用TensorFlow的SavedModel格式来保存和恢复DNNClassifier模型。

SavedModel是一种用于存储机器学习模型的格式，它包含了模型的计算图和权重参数。下面是一种存储和恢复DNNClassifier模型的方法：

1. 存储模型：import tensorflow as tf from tensorflow import keras

创建并训练DNNClassifier模型

model = keras.models.Sequential([

   keras.layers.Dense(64, activation='relu', input_shape=(input_dim,)),

   keras.layers.Dense(64, activation='relu'),

   keras.layers.Dense(num_classes, activation='softmax')

])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics='accuracy')

model.fit(x_train, y_train, epochs=10)

存储模型为SavedModel格式

tf.saved_model.save(model, 'path/to/save/model')

上述代码中，首先创建并训练了一个DNNClassifier模型，然后使用tf.saved_model.save函数将模型保存为SavedModel格式。可以将模型保存到指定的路径。

1. 恢复模型：import tensorflow as tf

加载SavedModel模型

loaded_model = tf.saved_model.load('path/to/save/model')

使用模型进行预测

predictions = loaded_model(x_test)

上述代码中，使用tf.saved_model.load函数加载之前保存的模型。加载后的模型可以像函数一样使用，传入输入数据进行预测。

这种方法可以方便地存储和恢复DNNClassifier模型，适用于各种应用场景，如图像分类、文本分类等。对于腾讯云相关产品，可以使用腾讯云的AI引擎（https://cloud.tencent.com/product/aiengine）来部署和管理TensorFlow模型。