简单来说，在创建保护对象之前，至少应定义一个tf.variable。

您可以通过在saver对象定义之前添加以下代码行来运行上述代码。

您需要添加的代码位于两个###之间。

import tensorflow as tf

import main
import Process
import Input

eval_dir = "/Users/Zanhuang/Desktop/NNP/model.ckpt-30"
checkpoint_dir = "/Users/Zanhuang/Desktop/NNP/checkpoint"

init_op = tf.initialize_all_variables()

### Here Comes the fake variable that makes defining a saver object possible.
_ = tf.Variable(initial_value='fake_variable')

###
saver = tf.train.Saver()
...

必须在要还原（或保存）的变量之后创建tf.train.Saver 。此外，必须在与这些变量相同的图形中创建它。

假设Process.forward_propagation(…)还在模型中创建变量，则在此行之后添加保护程序创建应该可以：

forward_propgation_results = Process.forward_propagation(images)

另外，您必须将创建的新tf.Graph传递给tf.Session构造函数，因此您还需要将sess的创建也移动到with block的内部。

结果函数将类似于：

def evaluate():
  with tf.Graph().as_default() as g:
    images, labels = Process.eval_inputs(eval_data = eval_data)
    forward_propgation_results = Process.forward_propagation(images)
    init_op = tf.initialize_all_variables()
    saver = tf.train.Saver()
    top_k_op = tf.nn.in_top_k(forward_propgation_results, labels, 1)

  with tf.Session(graph=g) as sess:
    sess.run(init_op)
    saver.restore(sess, eval_dir)
    print(sess.run(top_k_op))

请注意，自TF 0.11以来（很久以前尚未接受当前的答案）， tf.train.Saver 在其构造函数中获得了defer_build参数，该参数允许您在构造变量后对其进行定义。但是，现在，在添加finilize所有变量之后，通常需要在完成图形绘制之前，就需要调用其build成员函数。

saver = tf.train.Saver(defer_build=True)
# build you graph here
saver.build()
graph.finalize()
# now entering training loop