在TensorFlow中，保存模型通常使用`tf.train.Saver`類。以下是保存模型的步驟：
創建Saver對象。首先，需要實例化一個`tf.train.Saver`對象，這個對象用於保存模型。
保存模型。使用`Saver.save`方法保存模型，這個方法需要一個`Session`對象來執行保存操作，以及模型保存的路徑。保存時，可以選擇保存所有變數（使用`tf.global_variables()`），或者只保存特定變數。
保存選項。在保存模型時，還可以指定額外的參數，例如保存的步數（`global_step`）、磁碟上最多保留的模型數量（`max_to_keep`），以及保存模型的時間間隔（`keep_checkpoint_every_n_hours`）。
以下是一個使用`Saver`保存模型的示例代碼：
```python
import tensorflow as tf
# 創建模型和變數
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 假設模型中有兩個變數 v1 和 v2
v1 = tf.Variable(tf.constant(1.0, shape=), name="v1")
v2 = tf.Variable(tf.constant(2.0, shape=), name="v2")
result = v1 + v2
# 創建Saver對象
saver = tf.train.Saver()
# 保存模型
saver.save(sess, "models/my_model.ckpt")
```
此外，TensorFlow還支持保存整個模型（包括架構和權重），這可以通過`model.save`函式配合`tf.keras.models.load_model`來實現。