1. 代码实例
(1) 存储模型
举一个简单的前向传播的例子：
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np
# 前向传播
def forward_pass(x11, w11, w22):
y11 = tf.matmul(x11, w11, name="y11")
y22 = tf.matmul(y11, w22, name="y22")
return y22
# 定义权值
w1 = tf.Variable(tf.random.normal(shape=[2,5]), name='w1')
w2 = tf.Variable(tf.random.normal(shape=[5,2]), name='w2')
# 定义输入
x1 = tf.placeholder(tf.float32, shape=(None, 2), name="x1")
# 输出
y2 = forward_pass(x1, w1, w2)
# 未封装成函数时，输出的写法
# y1 = tf.matmul(x1,w1, name="y1")
# y2 = tf.matmul(y1,w2, name="y2")
# 建立session，初始化变量
saver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
# 开始run
input_x = np.zeros((3,2))
dict = {x1:input_x}
sess.run(y2,dict)
# 保存模型
saver.save(sess, 'Test/TestModel')这里把前向传播的过程封装成了函数，更加符合平时写程序时的习惯。
我们在保存模型后，会出现一些文件：
?其中：meta文件是用来存储?图的计算过程?的，data里则存储了?权值?的具体值。
（2）加载模型：
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np
# 加载图
sess=tf.Session()
#先加载图和参数变量
saver = tf.train.import_meta_graph('Test/TestModel.meta')
saver.restore(sess, tf.train.latest_checkpoint('Test'))
# 访问placeholders变量
graph = tf.get_default_graph()
# 输入的变量、以及权值
x1 = graph.get_tensor_by_name("x1:0")
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
print(sess.run('w1:0'))
print(sess.run('w2:0'))
# 获取操作
y1 = graph.get_tensor_by_name("y11:0")
y2 = graph.get_tensor_by_name("y22:0")
# 这样的话不用自己写结构，也可以根据输入直接得到输出
input_x = np.zeros((3,2))
feed_dict = {x1:input_x}
print(sess.run(y2,feed_dict))2. 详细解释
(1) name属性
①在一开始写程序时，就需要在相应变量上添加：name属性，如输入变量、网络权值、前向传播的输出值、损失值等。在加载模型时，我们需要根据name属性，导入对应的变量。
值得注意的是，name属性需要在tf变量上添加，这样我们在计算想要复现的变量时，需要使用tensorflow的计算语法。
例如：我们想在加载模型的程序中导入a的计算图
写加法时，不能：
a = b + c
而是需要：
a = tf.add_n([b, c], name = 'a')
乘法等计算过程亦是如此。
②tensorflow是根据计算图来运行的，而计算任何变量都是需要用到一开始的输入的。因此如果以后要加载模型，那我们在写程序时，需要对?输入?添加name属性。其他的变量则是用到什么，就给它添加name属性。
(2) 加载模型后的计算
①我们利用tf.train.import_meta_graph('Test/TestModel.meta')导入了计算图，这样所有的计算过程我们都不用再自己写，想计算哪个变量，就直接:?sess.run(目标变量的name, feed_dict)；
②tensorflow甚至可以保存方法中的局部变量的计算图，例如程序中的y11是个局部变量，可它的计算过程也能被存储下来，确实是神奇。
(3) 个人遇到的多个输入的情况（可以不看）
当我们有多个输入都要进行前向传播、且前向传播为函数形式，这时存储的计算图为第一次调用前向传播的输入变量name。
举个例子：有两个输入变量：x1: name="x1",?x2: name="x2"
都放到刚才的程序计算并保存模型后，在加载模型中，我们只需要创建name="x1"的变量即可。