Tensorflow：如何保存经过训练的模型的差异

Question

我注意到在Python中，存在几种保存训练过的模型的方法 但是我看不到它们之间的真正区别。

1. 检查点

   saver = tf.train.Saver()
   saver.save(session, output_path)
   

2. 冻结

   from tensorflow.python.framework import graph_util
   
   input_graph_def = graph.as_graph_def()
   output_graph_def = graph_util.convert_variables_to_constants(
       session, input_graph_def, output_nodes_names)
   
   with tf.gfile.GFile(output_graph, "wb") as output_graph_file:
       output_graph_file.write(output_graph_def.SerializeToString())
   

3. SavedModelBuilder

   builder = tf.saved_model.builder.SavedModelBuilder(output_path)
   builder.add_meta_graph_and_variables(
       session,
       [tf.saved_model.tag_constants.SERVING],
       clear_devices=True)
   
   builder.save()
   

让我们考虑不同的场景：评估/推断，微调，服务API，导出到其他框架。 为每种情况保存模型的最佳方法是什么？是否有关于何时使用一种方法的规则？

谢谢

Answer 1

这不是一个详尽的答案，但是对于现代（2018年中）的TensorFlow，您可能只需要Checkpoints和SavedModels。

如

中所指出

https://www.tensorflow.org/get_started/checkpoints

|

“冻结”在很大程度上被折叠并由SavedModel取代。

在您的训练代码中，并且您仍然想保留继续训练/微调的能力时，检查点是必经之路，因为所有相关的代码/状态不仅要训练，而且还要监视是否保持训练在检查点和您的代码之间。

当您移至“服务”端（即消费）时，您将添加使用该模型所需的所有元数据，剔除不需要的训练元素，然后转到SavedModel。

我个人还没有尝试将TensorFlow中的导出到其他框架，只是将其导入其中，所以我无法就哪种情况最合适提出好意见。