TensorFlow用户是否应该选择SavedModel而不是Checkpoint或GraphDef？

Question

从SavedModel
Docs中
，

SavedModel，TensorFlow模型的通用序列化格式。

和

SavedModel包装了一个TensorFlow Saver。Saver主要用于生成变量检查点。

据我了解，SavedModel如果有人想使用TensorFlow Serving
，那是必须的。不过，我可以部署Tensorflow模型没有服务服务器SavedModel：冻结图并将其导出为GraphDef，和负载图形到会话中使用ReadBinaryProto和创建C
++或导入围棋。

SavedModel的目的是什么？用户是否应该选择SavedModel而不是Checkpoint或GraphDef来聚合更多与模型相关的数据？

Answer 1

检查点包含TensorFlow模型中的（某些）变量的值。它是由创建的Saver，指定Variable要保存的，或者默认情况下保存所有（非本地）变量。

要使用检查点，您需要具有兼容的TensorFlow
Graph，其VariablesVariable与检查点中的s具有相同的名称。（如果您不兼容Graph，您仍然可以Variable使用init_from_checkpointcontrib中的实用程序将存储在检查点中的值加载到selected
s中。）

SavedModel更为全面：它包含一组Graphs（MetaGraph实际上是保存集合等），以及应该与这些兼容的检查点Graph，以及运行模型所需的任何资产文件（例如词汇文件）。对于每个MetaGraph包含的内容，它还存储一组签名。签名定义（命名）输入和输出张量。

这意味着仅给定一个SavedModel，您就可以编写用于解释或执行其中图形的工具（例如tensorflow/serving或saved_model即将出现的新命令行实用程序tools/）。您只需要提供数据即可。

如有疑问，我总是会在编写aSavedModel而不是仅检查点方面犯错。这不仅使您可以使用tensorflow /
serving（以及数量会不断增加的其他简洁实用程序），还可以确保您拥有运行模型所需的所有信息。没有什么比检查点更令人沮丧的了，您不能再使用它了，因为您修改了模型，现在它与检查点文件不兼容，您要做的就是通过它进行一些预测以进行比较。