Как сохранить модель тензорного потока, затем восстановить и переформатировать входные изображения?

Question

Борьба за сохранение и восстановление модели тензорного потока MNIST. Я хотел бы сохранить эту модель, чтобы я мог взять значения веса / сверточные выходные слои и наложить их поверх исходных входных изображений и особенно изображения, которое нужно классифицировать.

Я использовал "https://www.tensorflow.org/guide/saved_model" в качестве ссылки, но не могу заставить его работать.

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets(
    "MNIST_data/",
    one_hot=True) 

# Init weights
def initialize_weights(shape):
    init_random_dist = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(init_random_dist)

# Init bias
def initialize_bias(shape):
    init_bias_vals = tf.constant(0.1, shape=shape)  # all 0.1 initially
    return tf.Variable(init_bias_vals)

# CONV2D
def conv_2d(x, W):

    return tf.nn.conv2d(
        x,
        W,
        strides=[
            1,
            1,
            1,
            1],
        padding='SAME') 

# Pooling
def max_pool_2(x):

    return tf.nn.max_pool(
        x, ksize=[
            1, 2, 2, 1], strides=[
            1, 2, 2, 1], padding='SAME')

# Convolution layer
def convolutional_layer(input_x, shape):
    W = initialize_weights(shape)
    b = initialize_bias([shape[3]])
    return tf.nn.relu(conv_2d(input_x, W) + b)

# Normal layer
def normal_full_layer(input_layer, size):
    input_size = int(input_layer.get_shape()[1])
    W = initialize_weights([input_size, size])
    b = initialize_bias([size])
    return tf.matmul(input_layer, W) + b


# Placeholders
x = tf.placeholder(tf.float32, shape=[None, 784])
y_true = tf.placeholder(tf.float32, shape=[None, 10])

# Layers
x_image = tf.reshape(x, [-1, 28, 28, 1])

# Convolutional layers
convo_1 = convolutional_layer(x_image, shape=[5, 5, 1, 32])
convo_1_pooling = max_pool_2(convo_1)

convo_2 = convolutional_layer(
    convo_1_pooling, shape=[
        5, 5, 32, 64])  # 5 by 5 patch, 64 features
convo_2_pooling = max_pool_2(convo_2)

convo_2_flat = tf.reshape(convo_2_pooling, [-1, 7 * 7 * 64])
full_layer_one = tf.nn.relu(normal_full_layer(convo_2_flat, 1024))

y_pred = normal_full_layer(full_layer_one, 10)

# Loss function
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(
        labels=y_true, logits=y_pred))

# Optimizer
lr = 0.001
optimizer = tf.train.AdamOptimizer(learning_rate=lr)
train = optimizer.minimize(cross_entropy)

init = tf.global_variables_initializer()

epochs = 100

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(init)

    for i in range(epochs):

        batch_x, batch_y = mnist.train.next_batch(50)

        sess.run(
            train,
            feed_dict={
                x: batch_x,
                y_true: batch_y})

    # Save the variables to disk.
    save_path = saver.save(sess, "/tmp/model.ckpt")

Это попытка сохранить, в настоящее время выдается предупреждение «Нет переменных для сохранения».

# delete the current graph
tf.reset_default_graph()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")