有兴趣的可以加qq群点击链接加入群聊【深度学习交流】：
前几天一直在修改模型，但是在修改的时候要加载原始预训练模型，我现在修改过的模型（现模型）有新加的参数，而有些预训练模型中的参数也没有用到，所以这样的情况下对于预训练模型来说，就相当于加载部分模型参数了，然后现模型中的剩余的参数就通过手动初始化完成，其实在加载模型的时候就相当于初始化参数。
也就是说现模型的参数初始化分为两部分：
一，加载部分预训练模型的参数。
二，手动初始化剩下的（预训练模型中没有的）参数。
在做这些之前，先对Saver类说明一下，其中有一个很重要的点要get到：
... # Create a saver. saver = tf.train.Saver(...variables...) # Launch the graph and train, saving the model every 1,000 steps. sess = tf.Session() for step in xrange( 1000000): sess.run(..training_op..) if step % 1000 == 0: # Append the step number to the checkpoint name: saver.save(sess, 'my-model', global_step=step)
这个是官网的一个例子，请看下面这一句：
saver = tf.train.Saver(...variables...)
其中这个Saver是一个类，上面的那一句就是通过类取得Saver的对象，里面的variables是构造函数传入的参数，请看这个构造函数对这个参数的解释：
__init__是构造器，里面可以传很多参数，其中第一个参数就是var_list，也就是上面的variables.
下面是对var_list参数的解释：
Creates a Saver.
The constructor adds ops to save and restore variables.
var_list specifies the variables that will be saved and restored. It can be passed as a dict or a list:
A dict of names to variables: The keys are the names that will be used to save or restore the variables in the checkpoint files.A list of variables: The variables will be keyed with their op name in the checkpoint files.注意到红字所表达的意思：var_list指定要保存和恢复的变量。
所以里面传的参数是要保存和恢复的变量，举个例子说明问题：
保存参数：
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')上面的意思是，只保存weight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
恢复参数：
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.restore(sess, model_filename)上面这个恢复参数要注意，model_filename是你要恢复的模型文件，整段代码的意思是从model_filename文件里只恢复weight的这些参数，如果model_filename里面没有这些参数，则报错。（当然这些变量你不一定都一一列出，你可以通过遍历的算法得到，详细请看下面的参考文献）
像我的这种情况应该怎么恢复变量呢，也是分为两步：
一，恢复部分预训练模型的参数。
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.restore(sess, model_filename)
二，手动初始化剩下的（预训练模型中没有的）参数。
var = tf.get_variable(name, shape, initializer=tf.contrib.layers.xavier_initializer())
保存的时候怎么保存呢？我想保存全部变量，所以要重新写一个对象，名字和恢复的那个saver对象不同：
saver_out=tf.train.Saver() saver_out.save(sess, 'file_name')这个时候就保存了全部变量，如果你想保存部分变量，只需要在构造器里传入想要保存的变量的名字就行了。
通过一段代码看看预训练模型文件里都是什么东西吧：
import tensorflow as tf import os from tensorflow.python import pywrap_tensorflow model_dir= r'G:\KeTi\C3D' checkpoint_path = os.path.join(model_dir, "sports1m_finetuning_ucf101.model") # 从checkpoint中读出数据 reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path) # reader = tf.train.NewCheckpointReader(checkpoint_path) # 用tf.train中的NewCheckpointReader方法 var_to_shape_map = reader.get_variable_to_shape_map() # 输出权重tensor名字和值 for key in var_to_shape_map: print( "tensor_name: ", key,reader.get_tensor(key).shape)输出：
tensor_name: var_name/wc4a ( 3, 3, 3, 256, 512) tensor_name: var_name/wc3a ( 3, 3, 3, 128, 256) tensor_name: var_name/wd1 ( 8192, 4096) tensor_name: var_name/wc5b ( 3, 3, 3, 512, 512) tensor_name: var_name/bd1 ( 4096,) tensor_name: var_name/wd2 ( 4096, 4096) tensor_name: var_name/wout ( 4096, 101) tensor_name: var_name/wc1 ( 3, 3, 3, 3, 64) tensor_name: var_name/bc4b ( 512,) tensor_name: var_name/wc2 ( 3, 3, 3, 64, 128) tensor_name: var_name/bc3a ( 256,) tensor_name: var_name/bd2 ( 4096,) tensor_name: var_name/bc5a ( 512,) tensor_name: var_name/bc2 ( 128,) tensor_name: var_name/bc5b ( 512,) tensor_name: var_name/bout ( 101,) tensor_name: var_name/bc4a ( 512,) tensor_name: var_name/bc3b ( 256,) tensor_name: var_name/wc4b ( 3, 3, 3, 512, 512) tensor_name: var_name/bc1 ( 64,) tensor_name: var_name/wc3b ( 3, 3, 3, 256, 256) tensor_name: var_name/wc5a ( 3, 3, 3, 512, 512)都是权重和偏置
更多关于变量恢复的文件类型问题，请参考：
1.https://blog.csdn.net/leo_xu06/article/details/79200634
2.https://blog.csdn.net/b876144622/article/details/79962727
