现有版本的faster-rcnn 模型训练，生成的模型文件保存在out目录下，生成下面四个文件：
当我们需要将训练完成的模型用于测试或者运行demo时，我们只需要将某一个snapshot生成的3个*.ckpt.*文件和checkpoint文件全部复制到我们需要使用模型的所在目录即可。使用如下指令即可将模型重新加载，完成模型的继续训练或者后续的验证操作。
_TF/model”文件夹下，我们需要使用的是VGGnet_fast_rcnn_iter_70000这个模型，则在model_path参数应该设置为："/home/Faster-RCNN_TF/model/VGGnet_fast_rcnn_iter_70000.ckpt"，（虽然这个路径下没有这个文件）这样设置完成之后，我们的模型就可以正常加载了。
需要注意的是，从GitHub上下载训练好的模型，只有一个文件VGGnet_fast_rcnn_iter_70000.ckpt，跟我们通过自己训练后的模型不一样，千万不要试图将上述自己生成的模型文件去掉后缀，改成ckpt文件，这样的结果是导致识别出错。网上开源的模型只是一个ckpt文件的原因是TensorFlow版本升级后，保存机制改变。
TensorFlow提供了一个非常简单的API，即tf.train.Saver类来保存和还原一个神经网络型。 但是，Saver方法已经发生了更改，现在是V2版本，tf.train.Saver(write_version=tf.train.SaverDef.V1)括号里加入该参数可继续使用V1，但会报warning，可忽略，这样的结果是会生成cpkt文件（但是，我没有通从这种方法生成ckpt文件进行识别，以后有时间的时候测试一下。）。若使用saver = tf.train.Saver()则默认使用当前的版本（V2），保存后在save这个文件夹中会出现4个文件，就是上述四个文件。
下面是我知道的几个文件的信息，仅供参考：
checkpoint
- 文件保存了一个目录下所有的模型文件列表，这个文件是
tf.train.Saver
- 类自动生成且自动维护的。在
checkpoint
- 文件中维护了由一个
tf.train.Saver
- 类持久化的所有TensorFlow模型文件的文件名。当某个保存的TensorFlow模型文件被删除时，这个模型所对应的文件名也会从
checkpoint
- 文件中删除。
checkpoint
- 中内容的格式为CheckpointState Protocol Buffer.
model.ckpt.meta
- 文件保存了TensorFlow计算图的结构，可以理解为神经网络的网络结构
TensorFlow通过元图（MetaGraph）来记录计算图中节点的信息以及运行计算图中节点所需要的元数据。TensorFlow中元图是由MetaGraphDef Protocol Buffer定义的。MetaGraphDef 中的内容构成了TensorFlow持久化时的第一个文件。保存MetaGraphDef 信息的文件默认以.meta为后缀名，文件
model.ckpt.meta
- 中存储的就是元图数据。
model.ckpt
- 文件保存了TensorFlow程序中每一个变量的取值，这个文件是通过SSTable格式存储的，可以大致理解为就是一个（key，value）列表。
model.ckpt
- 文件中列表的第一行描述了文件的元信息，比如在这个文件中存储的变量列表。列表剩下的每一行保存了一个变量的片段，变量片段的信息是通过SavedSlice Protocol Buffer定义的。SavedSlice类型中保存了变量的名称、当前片段的信息以及变量取值。TensorFlow提供了
tf.train.NewCheckpointReader
- 类来查看
model.ckpt
- 文件中保存的变量信息。如何使用
tf.train.NewCheckpointReader
- 类这里不做说明，自查。
如果想生成ckpt文件，做以下修改，将lib/fast_rcnn/train.py 文件的 line 42: self.saver = saver ⇒ self.saver = tf.train.Saver(max_to_keep=100,write_version=tf.train.SaverDef.V1)
