tf.train.Checkpoint 和 tf.train.Saver 的区别答案

【问题标题】：Difference between tf.train.Checkpoint and tf.train.Savertf.train.Checkpoint 和 tf.train.Saver 的区别
【发布时间】：2018-12-01 09:56:07
【问题描述】：

我发现Tensorflow 中有不同的方法可以保存/恢复模型和变量。这些方式包括：

在 tensorflow 的文档中，我发现了它们之间的一些差异：

tf.saved_model 是tf.train.Saver 周围的薄包装
tf.train.Checkpoint 支持急切执行，但 tf.train.Saver 不。
tf.train.Checkpoint 没有创建 .meta 文件但仍然可以加载图形结构（这是一个大问题！它是如何做到的？）

tf.train.Checkpoint 如何在没有.meta 文件的情况下加载图形？或更笼统地说，tf.train.Saver 和 tf.train.Checkpoint 有什么区别？

【问题讨论】：

标签： python tensorflow deep-learning eager-execution

【解决方案1】：

根据张量流docs：

Checkpoint.save 和 Checkpoint.restore 基于对象的读写检查点，与写入和读取的tf.train.Saver 形成对比基于变量名的检查点。基于对象的检查点节省了 Python 对象之间的依赖关系图（层、优化器、变量等）具有命名的边，并且该图用于匹配恢复检查点时的变量。它可以更强大 Python 程序中的更改，并有助于支持 restore-on-create 急切执行时的变量。 更喜欢tf.train.Checkpoint tf.train.Saver 获取新代码。

【讨论】：