Tensorflow：存储和恢复可训练变量

我已经用Tensorflow编写了一个定制模型（与此类似）。我只想存储/恢复我的可训练变量——类似于下面的非急切逻辑。我怎样才能在短时间内做到这一点

def store(self, sess_var, model_path):
    if model_path is not None:
        saver = tf.train.Saver(var_list=tf.trainable_variables())
        save_path = saver.save(sess_var, model_path)
        print("Model saved in path: %s" % save_path)
    else:
        print("Model path is None - Nothing to store")

def restore(self, sess_var, model_path):
    if model_path is not None:
        if os.path.exists("{}.index".format(model_path)):
            saver = tf.train.Saver(var_list=tf.trainable_variables())
            saver.restore(sess_var, model_path)
            print("Model at %s restored" % model_path)
        else:
            print("Model path does not exist, skipping...")
    else:
        print("Model path is None - Nothing to restore")

---

TensorFlow中的急切执行鼓励在对象中封装模型状态，例如在

tf.keras.model

对象中。这些对象的状态（变量的“检查点”值）可以使用

请注意，

tf.contrib.eager.Checkpoint

类与eager和graph执行兼容

您将在tensorflow存储库中的示例中看到这一点，例如和

---

希望这能有所帮助。

谢谢-是的，我最终将我的模型封装在了一个

tf.keras.model

中，最后是我自己。还有一个tf.contrib.eager.Saver类。是否有任何存储库显示其工作代码？我们应该如何结合tfe.Checkpoint和tfe.Saver？保存tf.keras.Model对象时，tfe.Saver的列表中到底有什么内容？