tensorflow训练模型通常使用python api编写，简单记录下这些模型保存后怎么在java中调用。
python中训练完成，模型保存使用如下api保存：
# 保存二进制模型
output_graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, output_node_names=['y_conv_add'])
with tf.gfile.FastGFile('/logs/mnist.pb', mode='wb') as f:
f.write(output_graph_def.SerializeToString()) 保存为二进制pb文件，主要的点是output_node_names数组，该数据的名称表示需要保存的tensorflow tensor名。既是在python中定义模型时指定的计算操作的name。填写什么就保存到什么节点。在cnn模型中，通常是分类输出的名称。
例如模型定义时代码为：
y_conv = tf.add(tf.matmul(h_fc1_drop, W_fc2), b_fc2, name='y_conv_add') # cnn输出层，名称y_conv_add
# 训练和评价模型
softmax = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv)
模型在java中使用需要关心模型输入tensor和输出tensor名，所以定义模型时，所有的输入tensor最好指定名称，如输入x和dropout名。
java中调用代码片段：
public static void main(String[] args) {
String labels = "17,16,7,8,3,15,4,14,2,5,12,18,9,10,1,11,13,6";
TensorFlowInferenceInterface tfi = new TensorFlowInferenceInterface("D:/tf_mode/output_graph.pb","imageType");
final Operation operation = tfi.graphOperation("y_conv_add");
Output output = operation.output(0);
Shape shape = output.shape();
final int numClasses = (int) shape.size(1);
float[] floatValues = getImagePixel("D:/tf_mode/ci/ci/333.jpg"); //将图片处理为输入对应张量格式
// 输入图片
tfi.feed("x_input", floatValues, 1, 2048); //将数据复制给输入张量x_input即为模型定义时的x名称
tfi.run(new String[] { "y_conv_add" }, false);//输出张量
float[] outPuts = new float[numClasses];//结果分类
tfi.fetch("y_conv_add", outPuts);//接收结果 outPuts保存的即为预测结果对应的概率，最大的一个通常为本次预测结果
}TensorFlowInferenceInterface参考：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/java/org/tensorflow/contrib/android/TensorFlowInferenceInterface.java
java api和tensorflow的依赖：
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/java
调用过程参考：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/android/src/org/tensorflow/demo/TensorFlowImageClassifier.java
