如何在C+中保存和恢复TensorFlow图及其状态+；？ 我用C++中的TysFooLo训练模型。Python仅用于构造图形。那么，有没有一种方法可以在C++中保存和恢复图形及其状态呢？我知道Python类 TF.To.Save，但据我理解，C++中不存在.< /P> < P> < Cuth.Tave>代码>类，目前只存在于Python中，但是（i）它是由C++中运行的TysFunsOPS构建的，以及（ii）它公开了一个方法，该方法允许您获得一个包含必须运行以保存或恢复模型的ops名称的

在Python中，可以按如下方式获取保存和还原操作的名称：

saver = tf.train.Saver(...)
saver_def = saver.as_saver_def()

# The name of the tensor you must feed with a filename when saving/restoring.
print saver_def.filename_tensor_name

# The name of the target operation you must run when restoring.
print saver_def.restore_op_name

# The name of the target operation you must run when saving.
print saver_def.save_tensor_name

---

< C++ >从检查点还原，调用“代码>会话：：”（）/COD>，将检查点文件的名称以“代码> SaveLeDeF.FieleMaTySoRoMyNo.<代码>，以目标代码为“代码> SAVLYDEF。要保存另一个检查点，您调用“代码>会话：：/（代码）>，再次将检查点文件的名称作为代码< SaveLeDeF.FielnMaEnTySoRoMyNo.<代码>，并取值<代码> SaveReDeF.SaveSytRoSoRyNox< /C> > .P/> < P>最近的TysFooSurf版本包含一些辅助函数，在没有Python的C++中实现相同的功能。这些是从pip包中的ProtoBuf生成的（

${HOME}/.local/lib/python2.7/site-packages/tensorflow/include/tensorflow/core/ProtoBuf/saver.pb.h

）

---

对于一个工作和完成。

伟大的建议！我必须从一个字符串的末尾删除“：0”。此外，在恢复模型期间，相对路径不起作用。Tensorcreation:

tf:：Tensor字符串（tf:：DT_字符串，tf:：TensorShape（{1，1}））输入字符串：
string.matrix（）（0，0）=文件\路径\文件名执行：
TF_CHECK_OK（会话->运行（{{“save/Const:0”，string}}，{}，{“save/control_dependency”}，nullptr））@Trevir，mrry：你能把这段代码贴出来吗？我是tensorflow的新手，文档对我没有帮助。。我将非常感谢你@surferoffall：前面的注释包含所有必要的代码。使用python脚本获取正确的操作名称，例如“save/Const:0”。之后，您可以通过会话-> run方法在C++中使用操作名。Python脚本必须包含
saver=tf.train.saver（…）
行。我可以确认必须将“保存/控制依赖项：0”重命名为“保存/控制依赖项”@mrry你能看一下吗？
// save
tensorflow::Tensor checkpointPathTensor(tensorflow::DT_STRING, tensorflow::TensorShape());
checkpointPathTensor.scalar<std::string>()() = "some/path";
tensor_dict feed_dict = {{graph_def.saver_def().filename_tensor_name(), checkpointPathTensor}};
status = sess->Run(feed_dict, {}, {graph_def.saver_def().save_tensor_name()}, nullptr);

// restore
tensorflow::Tensor checkpointPathTensor(tensorflow::DT_STRING, tensorflow::TensorShape());
checkpointPathTensor.scalar<std::string>()() = "some/path";
tensor_dict feed_dict = {{graph_def.saver_def().filename_tensor_name(), checkpointPathTensor}};
status = sess->Run(feed_dict, {}, {graph_def.saver_def().restore_op_name()}, nullptr);