直接说结论：

1、实验室环境下，直接saver和restore即可。

2、生产环境：

（1）部署在移动终端上的（例如ios、android），场景：图像识别等。用freeze_graph合成pb和ckpt文件，然后用optimize_for_inference、quantize_graph进行优化。再用TensorFlowInferenceInterface调用（这个，不知道ios和android是否相同）。

（2）部署在服务端提供服务使用的，场景：推荐系统等。使用tensorflow serving进行模型服务化。

------------------------------------------------------------

下边是基于部署在服务端提供服务的方式，查阅资料时tensorflow和tensorflow serving都是1.3版本。

推荐本tensorflow实践的工具书，douban评分9.6。上手学习比guide更系统一些，不过工程化方面还是需要多实践、优化。

在读goooole的paper的时候经常看到下边这张图。三个虚框已经把google的系统典型流程描述得很清楚。Data Generation这步，有非常多的学问这里木有经验，略过。我们来看Model Training和Model Serving两部分。也正是题主的问题的核心。

注：整个系统流程都为线上生产流程非实验室环境。

前面几位答友的知识点已经都提到了，这里也就总结整理了下，没有新知识：

1、Previous Models为训练好的模型，即Model Trainer的训练结果。通常在实验室环境中完