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

我发现在Tensorflow. 这些方式包括:

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 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


jeck猫
浏览 347回答 1
1回答

浮云间

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。
打开App,查看更多内容
随时随地看视频慕课网APP

相关分类

Python