在看别人的训练网络中一开头就遇到这样一行代码：

ckpt = tf.train.get_checkpoint_state(directories.checkpoints)

鼠标放在函数名上，ctrl+B，或者ctrl+点击函数名，可以跳转到函数的定义，可以知道tf.train.get_checkpoint_state函数通过目录下的checkpoint文件找到checkpoint状态proto。

训练可能分成多次迭代，在迭代期间或者训练完成测试之前，需要将训练得到的参数保存到一个文件中，等到需要时再从文件中读取。TensorFlow提供了两种模型格式：

• checkpoints：这种格式依赖于创建模型的代码。
• SavedModel：这种格式与创建模型的代码无关。

Checkpoints文件是这样的一个二进制文件，好比是一个中转站，Tensorflow针对这一需提供了Saver类把变量名映射到对应的tensor值，并可以从checkpoints文件中恢复变量。

再回到第一行代码，返回得到的ckpt其中有model_checkpoint_path和all_model_checkpoint_paths两个属性。其中model_checkpoint_path保存了最新的tensorflow模型文件的文件名，all_model_checkpoint_paths则有未被删除的所有tensorflow模型文件的文件名。

既然有预训练的模型，就应该把checkpoint文件放入文件夹下。checkpoint文件其实有三个文件组成，后缀名分别是.meta和.index和.data-00000-of-00001文件。

当需要恢复某个模型的参数，继续进行训练时，可以使用下面的代码（不需要加后缀，就可以同时包含三个文件），恢复训练时的最后一个模型参数：

if args.restore_last and ckpt.model_checkpoint_path: #.model_checkpoint_path保存了最新的tensorflow模型文件的文件名# Continue training saved model 继续训练已经保存的模型，侧面也表明之前有预训练的模型#saver.restore(sess, ckpt.model_checkpoint_path) #恢复模型参数，继续训练saver.restore(sess,'checkpoints/noiseMScsC8_epoch15.ckpt-15')  # 恢复模型参数，继续训练.预训练了15次，config中默认512次#https://www.cnblogs.com/darkknightzh/p/7198773.htmlprint('{} restored.'.format(ckpt.model_checkpoint_path))