本章内容给大家谈谈关于遇上tensorflow模型保存/载入的方法有哪些等问题，我们该怎么处理呢。下面这篇文章将为你提供一个解决思路，希望能帮你解决到相关问题。
一、TensorFlow模型保存
TensorFlow模型的保存可以分为两种，一种是模型参数的保存，另一种是模型结构的保存。
1、模型参数的保存：TensorFlow提供了tf.train.Saver()函数来保存模型参数，可以将模型参数保存到本地文件中，例如：
saver = tf.train.Saver()
saver.save(sess, './model.ckpt')
2、模型结构的保存：TensorFlow提供的tf.train.write_graph()函数可以将模型结构保存到本地文件中，例如：
tf.train.write_graph(sess.graph_def, './', 'model.pbtxt')
二、TensorFlow模型载入
TensorFlow模型的载入也可以分为两种，一种是模型参数的载入，另一种是模型结构的载入。
1、模型参数的载入：TensorFlow提供了tf.train.Saver()函数来载入模型参数，可以从本地文件中载入模型参数，例如：
saver = tf.train.Saver()
saver.restore(sess, './model.ckpt')
2、模型结构的载入：TensorFlow提供的tf.train.import_graph_def()函数可以从本地文件中载入模型结构，例如：
with tf.gfile.GFile('./model.pbtxt', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
tf.import_graph_def(graph_def, name='')
总结
以上就是为你整理的tensorflow模型保存/载入的方法有哪些全部内容，希望文章能够帮你解决相关问题，更多请关注本站相关栏目的其它相关文章！