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

Question

我发现在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 是一个薄薄的包装纸 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.meta文件的情况下加载图形？或者更一般地说tf.train.Saver和之间有什么区别tf.train.Checkpoint？

Answer 1

根据 Tensorflow文档：Checkpoint.save和Checkpoint.restore写入和读取基于对象的检查点，与tf.train.Saver写入和读取基于变量名的检查点相反。基于对象的检查点保存带有命名边的 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。身高tf.train.Checkpoint超过 tf.train.Saver对新代码。