TensorFlow用户是否应该选择SavedModel而不是Checkpoint或GraphDef？

Question

来自SavedModel Docs，

  

SavedModel，TensorFlow模型的通用序列化格式。

和

  

SavedModel包装TensorFlow Saver。 Saver主要用于生成变量检查点。

根据我的理解，如果有人想要使用TensorFlow服务，SavedModel是必须的。但是，我可以将Tensorflow模型部署到没有SavedModel的服务服务器：冻结图并将其导出为GraphDef，并使用C ++中的ReadBinaryProto和Create将图表加载到会话中，或{ Go中的{3}}

SavedModel的目的是什么？用户是否更喜欢SavedModel而不是Checkpoint或GraphDef来聚合更多与模型相关的数据？

Answer 1

检查点包含TensorFlow模型中（某些）变量的值。它由Saver创建，要么保存特定Variable，要么默认保存所有（非本地）变量。

要使用检查点，您需要具有兼容的TensorFlow Graph，其Variable与检查点中的Variable具有相同的名称。 （如果您没有兼容的Graph，您仍然可以使用contrib中的init_from_checkpoint实用程序将存储在检查点中的值加载到选定的Variable中。）

SavedModel更加全面：它包含一组Graph s（MetaGraph s，实际上是保存集合等），以及一个应该检查点与这些Graph兼容，以及运行模型所需的任何资产文件（例如词汇表文件）。对于它包含的每个MetaGraph，它还存储一组签名。签名定义（命名）输入和输出张量。

这意味着只给出一个SavedModel，您可以编写解释或执行的工具（例如tensorflow/serving或将出现在saved_model中的新tools/命令行实用程序）里面的图表。您需要提供的只是数据。

如果有疑问，我总是会错误地写SavedModel，而不仅仅是检查点。这不仅允许您使用tensorflow / serve（以及其他数量增长的整洁实用程序），它还可以确保您拥有运行模型所需的所有信息。没有什么比你不能再使用的检查点更令人沮丧的了，因为你修改了你的模型，现在它与检查点文件不兼容，而你想要做的就是通过它进行一些预测以进行比较。