在训练/验证/测试期间在 Tensorflow 中保存/恢复模型的“正确”结构是什么？

我想在 Tensoflow 中编写一些代码，可以训练模型，在训练期间运行验证，最后报告通过验证数据选择的最佳模型的测试数据结果。我想知道以下结构是正确的方法吗？ [考虑变量范围、参数共享、保存/恢复，..]

我的模型.py

class MyModel(object):

  def build_model(self, reuse):
     with tf.variable_scope("Model", reuse = reuse) as scope:
        self.v1 = tf.get_variable("v1", [1, 2]) 
     // rest of the codes

  def train(self, sess):
    self.build_model(False)
    s1 = tf.train.Saver()
    init_opt =tf.global_variables_initializer()
    sess.run(init_opt)
    // model training
    // ...
    s1.save(sess, "/tmp/model.ckpt")

  def val(self, sess):
    self.build_model(True)
    s2 = tf.train.Saver()
    // do the validation
    s2.save(sess, "/tmp/best_model.ckpt")

  def test(self, sess):
    self.build_model(False)
    s3 = tf.train.Saver()
    s3.restore(sess, "/tmp/model_best.ckpt")
    //rest of the codes ...

我在中编写了以下函数two不同的文件：

火车.py：

    with tf.Session() as sess:
        mtrain = MyModel()
        mval = MyModel()

        for iter_i in range(num_training_iters):
           mtrain.train(sess)
           mval.val(sess)

test.py

with tf.Session() as sess:
        mtest = MyModel()
        mtest.test(sess)

我查看了 Tensorflow 教程，但没有一个具有这种结构。 任何帮助将不胜感激。

Thanks