Разница между tf.train.Checkpoint и tf.train.Saver

Question

Разница между tf.train.Checkpoint и tf.train.Saver

1

Я обнаружил, что существуют различные способы сохранения/восстановления моделей и переменных в Tensorflow. Эти способы включают:

В документах с тензорными потоками я обнаружил некоторые различия между ними:

tf.saved_model - тонкая оболочка вокруг tf.train.Saver
tf.train.Checkpoint поддерживает нетерпеливое выполнение, но tf.train.Saver нет.
tf.train.Checkpoint не создает файл .meta но все равно может загружать структуру графика (вот большой вопрос, как это можно сделать?)

Как tf.train.Checkpoint может загружать график без. .meta файла? или, в более общем смысле, в чем разница между tf.train.Saver и tf.train.Checkpoint?

Amir 01 дек. 2018, в 10:59

Источник

Теги:

python

tensorflow

deep-learning

eager-execution

1 ответ

Ещё вопросы

Amir · Answer 1 · 2018-12-02T03-52-00.000Z

Согласно документам Tensorflow:

Checkpoint.save и Checkpoint.restore записывают и читают контрольные точки на основе объектов, в отличие от tf.train.Saver который записывает и считывает контрольные точки на основе переменных. Объектно-ориентированная контрольная точка сохраняет график зависимостей между объектами Python (Слои, Оптимизаторы, Переменные и т.д.) С именованными ребрами, и этот граф используется для сопоставления переменных при восстановлении контрольной точки. Он может быть более устойчивым к изменениям в программе Python и помогает поддерживать восстановление при создании для переменных при выполнении с нетерпением. Предпочитаете tf.train.Checkpoint через tf.train.Saver для нового кода.