python - 通过导出器保存模型和tf.train.write_graph()之间的 tensorflow 差异？

通过保存模型之间的区别是什么

使用tensorflow服务中指定的exporter的

:

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TensorFlow saving into/loading a graph from a file的继续

最佳答案

鉴于现已正式弃用了Exporter，因此用于保存图形和数据的新协议(protocol)将使用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。