Saver的作用是将我们训练好的模型的参数保存下来，以便下一次继续用于训练或测试；Restore的用法是将训练好的参数提取出来。

1.Saver类训练完后，是以checkpoints文件形式保存。提取的时候也是从checkpoints文件中恢复变量。Checkpoints文件是一个二进制文件，它把变量名映射到对应的tensor值 。

2.通过for循环，Saver类可以自动的生成checkpoint文件。这样我们就可以保存多个训练结果。例如，我们可以保存每一步训练的结果。但是为了避免填满整个磁盘，Saver可以自动的管理Checkpoints文件。例如，我们可以指定保存最近的N个Checkpoints文件。

应用实例：

#保存变量 import tensorflow as tf# 创建两个变量v1= tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="v_1")v2= tf.Variable(tf.zeros([200]), name="v_2")# 添加用于初始化变量的节点init_op = tf.global_variables_initializer()# Create a saver.saver = tf.train.Saver(tf.global_variables())# 运行，保存变量with tf.Session() as sess:    tf.global_variables_initializer().run()    for step in range(5000):        sess.run(init_op)            if step % 1000 == 0: 　　　　　　　saver.save(sess,basicpath+'my-model', global_step=step)    print("v1 = ", v1.eval())    print("v2 = ", v2.eval())            print_tensors_in_checkpoint_file(basicpath+"my-model-0", None, True) #通过这个方法，我们可以打印出保存了什么变量和值。

恢复变量：

saver = tf.train.Saver()with tf.Session() as sess:    #tf.global_variables_initializer().run()    module_file = tf.train.latest_checkpoint('C:/Users/defadiannao/Desktop/saver/')        saver.restore(sess, module_file)    #print("w1:", sess.run(v3))      #print("b1:", sess.run(v4))    print("w1:", sess.run(v1))    print("b1:", sess.run(v2))