4.2 Saving training checkpoints
当我们从上面开始的时候，训练模型其实是通过多次训练循环来更新模型的参数或者用tensorflow中的术语叫做变量。变量是在内存中存储的，假如在训练了若干小时以后突然的掉电，我们所做的工作将前功尽弃。幸运的是，tf.train.Saver类会将图中的变量以二进制的形式保存下来。我们会定期的将变量保存到checkpoint文件上。如果需要的话，可以从最近的文件中恢复过来。
为了使用saver，我们需要稍微的改变训练的代码结构：
在上述代码中，我们在打开会话（Session）之前初始化（insatiate）了一个保存者对象（Saver）,并且在training loop部分插入了代码，使得每1000步调用一次tf.train.Saver.save方法，并在训练完毕之后再次调用。每次调用的时候都会创建chekpoint文件，并命名为my-model-{step}例如my-model-1000, my-model-2000等等。这些文件中保存着当前循环下的每个变量的值。默认情况下是会只保留最近5次的文件，剩下的会删除。
如果你想要从具体的点(check point)上恢复训练，你可以使用tf.train.get_checkpoint_state方法去验证是否这个chekpoint有效。再使用tf.train.Saver.restore来恢复变量的值。
在上述的代码中，我们会首先检查是否chekpoint是否存在。然后再循环开始之前恢复变量的值。同时我们也会恢复global step number。
现在，我们知道了有监督式学习的通用工作流程，同时也知道了如何存储训练的进度。接下来让我们去探究一下预测模型（inference model）.
4.3 Linear regression (线性回归)
线性回归是有监督式学习中最简单的模型。给出一组数据集合作为训练数据，你需要找到一条最佳的线性函数去拟合这些数据。以下的二维数据集合为例，此时的线性函数用一条直线来表示。
以上回一个二维的线性模型，蓝色的点是训练数据，红色的线是预测（infer）的模型。
来让我们用一点点数学的知识去解释模型是如何工作的。线性函数的公式一般是
这个公式可以用矩阵（或者是张量tensor）表示：
其中：
Y是我们想要预测的结果
X1,….Xk是k个相互独立的变量；或者说是预测变量是使用我们的模型预测新值时提供的值。在矩阵形式中，每行一对一提供多个示例。
W1….Wk是模型的参数，是从训练数据中学习出来的。每个“权重（weight）”会交给一个变量对应。
b也是学出的参数，它是线性函数中的常量，通常称为“偏置（bias）”
来让我们用代码表示一下这个模型吧。为了对权重的转置方便，我们简单的定义为一列向量：
现在，我们有需要去定义loss的计算；针对这个简单的模型，我们使用平方差（squared error）。平方差是将每次不同的预测结果的值。（将在4.3 的时候讲到）
