TensorFlow saver指定变量的存取

TensorFlow中的saver API提供了方便的方式来保存和恢复模型参数。在实际应用中，我们经常需要只保存和恢复模型中的部分参数，因此指定变量的存取就变得十分重要。下面是saver指定变量的存取的完整攻略。

1. 使用saver类指定变量

如果我们只想保存和恢复模型中的部分参数，需要通过saver类提供的var_list参数来指定需要保存和恢复的变量。var_list参数接受一个列表，其中包含了需要保存和恢复的变量的名称或者对象。下面是示例代码：

import tensorflow as tf

# 定义模型
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 指定需要保存和恢复的变量
saver = tf.train.Saver(var_list=[W, b])

# 训练模型
# ...

# 保存变量
save_path = saver.save(sess, "model.ckpt")
print("Model saved in file: ", save_path)

# 恢复变量
# ...

在上面的示例代码中，我们定义了一个简单的模型，其中包含了两个需要保存和恢复的变量W和b。我们使用Saver类的var_list参数来指定需要保存和恢复的变量。最后，在训练完成后，我们调用saver.save方法来保存变量，并且使用saver.restore方法来恢复变量。注意，saver.restore方法需要在图中定义了变量和对应的saver之后才能使用。

2. 使用tf.trainable_variables指定全部可训练变量

如果我们希望保存和恢复模型中的所有可训练变量，可以使用tf.trainable_variables函数来指定需要保存和恢复的变量。这个函数可以自动找到定义的所有可训练变量，并返回一个列表。下面是示例代码：

import tensorflow as tf

# 定义模型
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 指定需要保存和恢复的变量
saver = tf.train.Saver(var_list=tf.trainable_variables())

# 训练模型
# ...

# 保存变量
save_path = saver.save(sess, "model.ckpt")
print("Model saved in file: ", save_path)

# 恢复变量
# ...

在上面的示例代码中，我们通过tf.trainable_variables函数来获取模型中的所有可训练变量，并使用Saver类的var_list参数来指定需要保存和恢复的变量。与之前的示例相比，我们不需要手动指定需要保存和恢复的变量。