Neural network Tensorflow tf.train.Saver是否保存可疑的大.ckpt文件？

我正在使用一个大小合理的网络（1个卷积层，2个完全连接的层）。每次我使用

tf.train.Saver

保存变量时，

.ckpt

文件的每个磁盘空间为半GB（确切地说是512 MB）。这正常吗？我有一个具有相同体系结构的Caffe网络，它只需要一个7MB的

.caffemodel

文件。Tensorflow保存如此大的文件大小有什么特别的原因吗

---

非常感谢。

根据您所描述的，很难判断您的网络有多大——两个完全连接的层之间的连接数量随每层的大小呈二次方增长，因此，根据完全连接的层的大小，您的网络可能相当大

如果要在检查点文件中节省空间，可以替换此行：

saver=tf.train.saver（）

以下是：

saver=tf.train.saver（tf.trainable\u variables（））

默认情况下，

tf.train.Saver（）。告诉它只保存可训练变量意味着它将只保存网络的权重和偏差，并丢弃累积的优化器状态。您的检查点可能会小得多，但折衷是，在恢复训练后的前几个训练批次中，您可能会经历较慢的训练，而优化器会重新积累梯度信息。根据我的经验，恢复速度并不需要很长时间，所以就我个人而言，我认为对于较小的检查点来说，折衷是值得的。
也许您可以尝试（在Tensorflow 1.0中）：

它不保存元图信息。
见：
通常只保存
tf.global\u variables（）
（这是
tf.get\u集合（tf.GraphKeys.global\u variables）的缩写）
，即全局变量的集合）。此集合旨在包含恢复模型状态所需的变量，因此，诸如批次标准化的当前移动平均值、全局步骤、优化器的状态，当然还有
tf.GraphKeys.TRAINABLE_变量
集合。更具临时性的变量（如梯度）收集在
局部变量中，通常不需要存储它们，它们可能会占用大量磁盘空间。
您能否分享模型体系结构的更多细节，理想情况下，以一组
tf.Variable
声明的形式出现？但缺点是您必须首先手动创建变量，然后才能恢复它们。否则它将报告错误，因为它找不到合适的变量。您是说tensorflow1.0将模型保存为小型吗？因为我使用的是tensorflow 1.3，所以模型的大小能比我保存的tensorflow 1.0大吗……嗨，我想知道，如果网络包含BN层，我该怎么办？因为均值和方差是变量，但它们是不可训练的。如果我只保存tf.tf.trainable_variables（），当我恢复模型时，tensorflow找不到BN平均参数。。。。。。
saver.save(sess, filename, write_meta_graph=False)