简单的线性模型实现tensorflow权重的生成和调用，并且用类的方式实现参数共享

首先看文件路径，line_regression是总文件夹，model文件夹存放权重文件，

global_variable.py写了一句话.

save_path='./model/weight'

权重要存放的路径，以weight命名.

lineRegulation_model.py代码

import tensorflow as tf
"""
类定义一些公共量，方便模型载入用
"""
class LineRegModel:def __init__(self):self.a_val=tf.Variable(tf.random_normal(shape=[1]))self.b_val = tf.Variable(tf.random_normal(shape=[1]))self.x_input=tf.placeholder(dtype=tf.float32)self.y_label = tf.placeholder(dtype=tf.float32)self.y_output = tf.multiply(self.x_input,self.a_val)+self.b_valself.loss=tf.reduce_mean(tf.pow(self.y_output-self.y_label,2))def get_op(self):return tf.train.GradientDescentOptimizer(0.01).minimize(self.loss)

定义了一个类，方便后面共享权值恢复模型的调用

model_train.py代码：

import tensorflow as tf
import numpy as np
from save_and_restore import global_variable
from save_and_restore import  lineRegulation_model as model
"""
训练模型
"""
train_x=np.random.rand(5)
train_y=train_x*5+3
model=model.LineRegModel()#类要加括号
a_val=model.a_val
b_val=model.b_val
x_input=model.x_input
y_label=model.y_label
y_output=model.y_output
loss=model.loss
optimizer=model.get_op()
if __name__ == '__main__':saver = tf.train.Saver()init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)flag=Trueepoch=0while flag:epoch+=1cost,_=sess.run([loss,optimizer],feed_dict={x_input:train_x,y_label:train_y})if cost<1e-6:flag=Falseprint('a={},b={}'.format(a_val.eval(sess),b_val.eval(sess)))print('epoch={}'.format(epoch))saver.save(sess,global_variable.save_path)print('model save finish')

训练模型，并且存放模型的目的,这样前面三段代码就可以实现简单的线性模型权重的生成和存放。

其中checkpoint指的是检查点文件，记录存储文件名称,weight.data_00000-of-00001权重存储文件，weight.index存储权重目录

weight.meta模型的全部图文件，所以weight.data_00000-of-00001和weight.meta是最大的。

model_restore.py代码如下：

import tensorflow as tf
from save_and_restore import global_variable,lineRegulation_model as model
"""
加载模型
"""
model=model.LineRegModel()
x_input=model.x_input
y_output=model.y_output
init=tf.global_variables_initializer()
saver=tf.train.Saver()
with tf.Session() as sess:sess.run(init)saver.restore(sess,global_variable.save_path)result=sess.run(y_output,feed_dict={x_input:[1]})print(result)

调用生成的模型打印出预测结果：