通过导出器和 tf.train.write_graph() 保存模型之间的张量流区别？

Question

保存模型和

有什么区别

使用 tensorflow 服务中指定的导出器：

例如：

from tensorflow.contrib.session_bundle import exporter
#from tensorflow_serving.session_bundle import exporter
saver = tf.train.Saver(sharded=True)
model_exporter = exporter.Exporter(saver)
model_exporter.init(
        sess.graph.as_graph_def(),
        named_graph_signatures={
            'inputs': exporter.generic_signature({'images': x}),
            'outputs': exporter.generic_signature({'scores': y})})
model_exporter.export(export_path, tf.constant(FLAGS.export_version), sess)

直接使用 tf.train.write_graph() 和 tf.train.Saver():

例如：

with sess.graph.as_default():
    saver = tf.train.Saver()
    saver.save(sess, path, meta_graph_suffix='meta', write_meta_graph=True)

问题是

的延续

Answer 1

Exporter 在您训练模型并想要服务它（用于推理）后使用。

Saver 用于训练模型时的检查点。

Answer 2

鉴于 Exporter 现已正式弃用，保存图形和数据的新协议是使用 Saver。这是一个带有示例代码的优秀博客：https://blog.metaflow.fr/tensorflow-how-to-freeze-a-model-and-serve-it-with-a-python-api-d4f3596b3adc.

通过导出器和 tf.train.write_graph() 保存模型之间的张量流区别？

tensorflow difference between saving model via exporter and tf.train.write_graph()?

python

protocol-buffers

tensorflow