在python中完成培訓後，使用以下api保存模型:
1234
#將二進制模型output _ graph _ def = TF . graph _ util . convert _ variables _ to _ constants（sess，sess.graph _ def，output _ node _ names =【‘y _ conv _ add‘】保存為f:f . write（output _ graph _ def。SerializeToString（））
將其保存為二進制pb文件。主要是output_node_names數組，這個數據的名稱表示要保存的tensorflow tensor的名稱。在python中定義模型時指定的計算操作的名稱。將您填寫的內容保存到任何節點。在cnn模型中，它通常是分類輸出的名稱。
例如，定義模型時，代碼為:
123
y _ conv = TF . add（TF . matmul（h _ fc 1 _ drop，w _ fc2），b _ fc2，name =‘y _ conv _ add‘）# CNN輸出層，name y_conv_add#訓練和評估模型softmax = tf.nn
在java中使用模型時，您需要關心模型的輸入張量和輸出張量名稱，因此在定義模型時，最好為所有輸入張量指定名稱，例如輸入X和dropout名稱。
在java中調用代碼片段:
12345678910111213
public static void main（String【】args）{ String labels =“17，16，7，8，3，15，4，14，2，5，12，18，9，10，11，113，6“；tensorflowinterceinterface tfi = new tensorflowinterceinterface（“D:/TF _ mode/output _ graph . Pb“，“imageType“）；最終操作Operation = tfi . graph Operation（“y _ conv _ add“）；Output輸出= operation . output（0）；shape shape = output . shape（）；final int num classes =（int）shape . size（1）；float【】float values = getimage pixel（“D:/TF _ mode/ci/ci/333 . jpg“）；//將圖片處理成相應的張量格式//輸入圖片tfi . feed（“x _ Input”，float values，1，2048）；//將數據復制到輸入張量x_input，即X名稱TFI。定義模型時運行（new string【】{“y _ conv _ add“}，false）；//output tensor float【】outputs = new float【num class】；//結果分類tfi . fetch（“y _ conv _添加”，輸出）；//接收結果的輸出是預測結果對應的概率，最大的通常是當前預測結果。