python - tf.train.Checkpoint 和 tf.train.Saver 之间的区别

Question

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

• tf.saved_model.simple_save
• tf.train.Checkpoint
• tf.train.Saver

在tensorflow的文档中，我发现了它们之间的一些区别:

1. tf.saved_model 是 tf.train.Saver
的薄包装
2. tf.train.Checkpoint 支持即时执行，但tf.train.Saver 不。
3. 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!它是怎么做到的？)

tf.train.Checkpoint 如何在没有 .meta 文件的情况下加载图表？或者更一般地说，tf.train.Saver 和 tf.train.Checkpoint 有什么区别？

Answer 1

根据 Tensorflow docs :

Checkpoint.save and Checkpoint.restore write and read object-based checkpoints, in contrast to tf.train.Saver which writes and reads variable.name based checkpoints. Object-based checkpointing saves a graph of dependencies between Python objects (Layers, Optimizers, Variables, etc.) with named edges, and this graph is used to match variables when restoring a checkpoint. It can be more robust to changes in the Python program, and helps to support restore-on-create for variables when executing eagerly. Prefer tf.train.Checkpoint over tf.train.Saver for new code.