tf.train.Checkpoint和tf.train.Saver之間的區別

Question

我發現有多種方法可以在Tensorflow保存/恢復模型和變量。 這些方式包括：

• tf.saved_model.simple_save
• tf.train.Checkpoint
• tf.train.saver

在tensorflow的文檔中，我發現它們之間存在一些差異：

1. tf.saved_model是圍繞一個瘦包裝tf.train.Saver
2. tf.train.Checkpoint支持急於執行，但tf.train.Saver 不支持。
3. tf.train.Checkpoint不會創建.meta文件，但仍然可以加載圖形結構（這是一個大問題！它如何做到這一點？）

tf.train.Checkpoint如何在沒有.meta文件的情況下加載圖形？ 或更廣泛地說， tf.train.Saver和tf.train.Checkpoint什么tf.train.Checkpoint ？

Answer 1

根據Tensorflow 文檔 ：

Checkpoint.save和Checkpoint.restore寫入和讀取基於對象的檢查點，而tf.train.Saver可以寫入和讀取基於variable.name的檢查點。 基於對象的檢查點保存帶有命名邊的Python對象（層，優化程序，變量等）之間的依存關系圖，該圖用於在恢復檢查點時匹配變量。 它對Python程序中的更改可能更健壯，並有助於在急切執行時支持變量的創建時恢復。 對於新代碼， tf.train.Saver使用tf.train.Checkpoint不是tf.train.Saver 。