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：
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__
__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：
Saver.
The constructor adds ops to save and restore variables.
var_listdict
dict- 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：
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。
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
