1. saver=tf.train.Saver (tf.global_variables(),max_to_keep)
（1）max_to_keep
这个是用来设置保存模型的个数，默认为5，即 max_to_keep=5，保存最近的5个模型。如果你想每训练一代（epoch)就想保存一次模型，则可以将 max_to_keep设置为None或者0，如：
saver=tf.train.Saver(max_to_keep=0)
当然，如果你只想保存最后一代的模型，则只需要将max_to_keep设置为1即可，即
saver=tf.train.Saver(max_to_keep=1)
（2）tf.global_variables()
只保存tf.global_variables()里的这些变量，如果saver=tf.train.Saver()里面不传入参数，默认保存全部变量
weight=[weights['wc1'],weights['wc2'],weights['wc3a']]
saver = tf.train.Saver(weight)#创建一个saver对象，.values是以列表的形式获取字典值
saver.save(sess,'model.ckpt')
2. saver.save ()
创建完saver对象后，就可以保存训练好的模型了，如：
saver.save(sess,'ckpt/mnist.ckpt',global_step=step)
第一个参数sess,第二个参数设定保存的路径和名字，第三个参数将训练的次数作为后缀加入到模型名字中。
3. saver.restore ()
模型的恢复用的是restore()函数，它需要两个参数restore(sess, save_path)，save_path指的是保存的模型路径。我们可以使用tf.train.latest_checkpoint ()来自动获取最后一次保存的模型。如：
model_file=tf.train.latest_checkpoint('ckpt/')
saver.restore(sess,model_file)
