TensorFlow 从文件中保存 into/loading 个图形

Question

从我目前收集到的信息来看，有几种不同的方法可以将 TensorFlow 图转储到文件中，然后将其加载到另一个程序中，但我一直无法找到明确的方法 examples/information关于他们的工作方式。我已经知道的是：

使用 tf.train.Saver() 将模型的变量保存到检查点文件 (.ckpt) 中，稍后恢复它们 (source)
将模型保存到 .pb 文件中，然后使用 tf.train.write_graph() 和 tf.import_graph_def() (source)
从 .pb 文件加载模型，重新训练它，然后使用 Bazel 将其转储到新的 .pb 文件中 (source)
冻结图形以将图形和权重一起保存(source)
使用as_graph_def()保存模型，对于weights/variables，映射成常量()

但是，关于这些不同的方法，我无法解决几个问题：

关于检查点文件，他们只保存模型训练的权重吗？是否可以将检查点文件加载到新程序中，并用于运行模型，或者它们只是作为在某个 time/stage 时保存模型中权重的方法？
关于tf.train.write_graph()，weights/variables是否也保存了？
关于Bazel，是否只能从.pb文件中保存into/load用于再训练？是否有一个简单的 Bazel 命令可以将图形转储到 .pb 中？
关于冻结，是否可以使用tf.import_graph_def()加载冻结图？
TensorFlow 的 Android 演示从 .pb 文件加载到 Google 的 Inception 模型中。如果我想替换我自己的 .pb 文件，我该怎么做呢？我需要更改任何原生 code/methods 吗？
总的来说，所有这些方法之间到底有什么区别？或者更广泛地说，as_graph_def()/.ckpt/.pb 之间有什么区别？

简而言之，我正在寻找的是一种将图形（如各种操作等）及其 weights/variables 保存到文件中的方法，然后可以使用该文件加载图表和权重到另一个程序中，以供使用（不一定continuing/retraining）。

关于此主题的文档不是很简单，因此任何 answers/information 将不胜感激。

Answer 1

在 TensorFlow 中有很多方法可以解决保存模型的问题，这可能会让人有点困惑。依次回答您的每个子问题：

检查点文件（通过调用 saver.save() on a tf.train.Saver object) contain only the weights, and any other variables defined in the same program. To use them in another program, you must re-create the associated graph structure (e.g. by running code to build it again, or calling tf.import_graph_def()), which tells TensorFlow what to do with those weights. Note that calling saver.save() also produces a file containing a MetaGraphDef, which contains a graph and details of how to associate the weights from a checkpoint with that graph. See the tutorial 生成更多详细信息。
tf.train.write_graph()只写图结构；不是权重。
Bazel 与读写 TensorFlow 图表无关。（也许我误解了你的问题：请随时在评论中澄清。）
可以使用 tf.import_graph_def() 加载冻结图。在这种情况下，权重（通常）嵌入在图中，因此您不需要加载单独的检查点。
主要变化是更新输入模型的张量名称，以及从模型中获取的张量名称。在 TensorFlow Android 演示中，这将对应于传递给 TensorFlowClassifier.initializeTensorFlow().

inputName

outputName

GraphDef是程序结构，在训练过程中通常不会改变。检查点是训练过程状态的快照，通常在训练过程的每一步都会发生变化。因此，TensorFlow 对这些类型的数据使用了不同的存储格式，底层 API 提供了不同的方式来保存和加载它们。更高级别的库，例如 MetaGraphDef libraries, Keras, and skflow 建立在这些机制之上，以提供更方便的方法来保存和恢复整个模型。

Answer 2

您可以试试下面的代码：

with tf.gfile.FastGFile('model/frozen_inference_graph.pb', "rb") as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    g_in = tf.import_graph_def(graph_def, name="")
sess = tf.Session(graph=g_in)

TensorFlow 从文件中保存 into/loading 个图形

TensorFlow saving into/loading a graph from a file

python

protocol-buffers

tensorflow