要重用
metaGraphDef，您需要在原始图中记录有趣的张量的名称。例如，在第一程序中，设置明确
name的定义中的参数
v1，
v2和
v4：
v1 = tf.placeholder(tf.float32, name="v1")v2 = tf.placeholder(tf.float32, name="v2")# ...v4 = tf.add(v3, c1, name="v4")
然后，您可以在调用中使用原始图中的张量的字符串名称
sess.run()。例如，以下代码片段应该起作用：
import tensorflow as tf_ = tf.train.import_meta_graph("./file")sess = tf.Session()result = sess.run("v4:0", feed_dict={"v1:0": 12.0, "v2:0": 3.3})另外，您可以使用
tf.get_default_graph().get_tensor_by_name()获取
tf.Tensor感兴趣的张量的对象，然后将其传递给
sess.run()：
import tensorflow as tf_ = tf.train.import_meta_graph("./file")g = tf.get_default_graph()v1 = g.get_tensor_by_name("v1:0")v2 = g.get_tensor_by_name("v2:0")v4 = g.get_tensor_by_name("v4:0")sess = tf.Session()result = sess.run(v4, feed_dict={v1: 12.0, v2: 3.3})更新 ：根据注释中的讨论，这里是保存和加载（包括保存变量内容）的完整示例。这说明了通过
vx在单独的操作中将变量的值加倍来保存变量。
保存：
import tensorflow as tfv1 = tf.placeholder(tf.float32, name="v1") v2 = tf.placeholder(tf.float32, name="v2")v3 = tf.mul(v1, v2)vx = tf.Variable(10.0, name="vx")v4 = tf.add(v3, vx, name="v4")saver = tf.train.Saver([vx])sess = tf.Session()sess.run(tf.initialize_all_variables())sess.run(vx.assign(tf.add(vx, vx)))result = sess.run(v4, feed_dict={v1:12.0, v2:3.3})print(result)saver.save(sess, "./model_ex1")恢复：
import tensorflow as tfsaver = tf.train.import_meta_graph("./model_ex1.meta")sess = tf.Session()saver.restore(sess, "./model_ex1")result = sess.run("v4:0", feed_dict={"v1:0": 12.0, "v2:0": 3.3})print(result)最重要的是，为了使用保存的模型，您必须记住至少某些节点的名称（例如，训练操作，输入占位符，评估张量等）。该
metaGraphDef专卖店在训练中所包含的模型，并有助于从检查点恢复这些，但你必须重建张量的变量列表/使用/自己评估模型操作。
