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

Question

我发现有不同的方法可以在Tensorflow. 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差异：

1. tf.saved_model是一个薄薄的包装tf.train.Saver
2. tf.train.Checkpoint支持急切执行，但tf.train.Saver 不支持。
3. tf.train.Checkpoint不创建.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？）

如何tf.train.Checkpoint在没有文件的情况下加载图形.meta？tf.train.Saver或更一般地说和有什么区别tf.train.Checkpoint？

Answer 1

根据 Tensorflow文档：

Checkpoint.save并Checkpoint.restore写入和读取基于对象的检查点，与tf.train.Saver写入和读取基于 variable.name 的检查点形成对比。基于对象的检查点保存具有命名边的 Python 对象（层、优化器、变量等）之间的依赖关系图，该图用于在恢复检查点时匹配变量。它可以对 Python 程序中的更改更加健壮，并有助于在急切执行时支持变量的创建时恢复。更喜欢新代码tf.train.Checkpoint。 tf.train.Saver