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

Question

我发现有多种方法可以在Tensorflow中保存/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，我发现它们之间存在一些差异：

1. tf.saved_model是tf.train.Saver周围的薄包装
2. tf.train.Checkpoint支持积极执行，但tf.train.Saver 不。
3. tf.train.Checkpoint不会创建.meta文件，但仍然可以加载图形结构（这是一个大问题！它如何做到这一点？）

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

Answer 1

根据Tensorflow docs：

  

Checkpoint.save和Checkpoint.restore写入和读取基于对象   检查点，与tf.train.Saver进行写入和读取相反   基于variable.name的检查点。基于对象的检查点保存   Python对象（层，优化器，   具有命名边的变量等），此图用于匹配   恢复检查点时的变量。它可以更强大   Python程序中的更改，并有助于支持创建时还原   急于执行时的变量。 优先选择tf.train.Checkpoint   tf.train.Saver获取新代码。