Python tf.train.Checkpoint和tf.train.Saver之间的差异

我发现在

Tensorflow

中有不同的方法来保存/恢复模型和变量。这些方法包括：

在tensorflow的文档中，我发现了它们之间的一些差异：

tf.saved\u model

是

tf.train.Saver

tf.train.Checkpoint

支持即时执行，但

tf.train.Saver

不支持

tf.train.Checkpoint

不创建

.meta

文件，但仍然可以加载图形结构（这是一个大问题！它是如何做到的？）

tf.train.Checkpoint

如何在没有

.meta

文件的情况下加载图形？或者更一般地说，

tf.train.Saver

和

tf.train.Checkpoint

？

根据Tensorflow：

Checkpoint.save

和

Checkpoint.restore

基于对象的写入和读取 检查点，与写和读的tf.train.Saver相比 基于variable.name的检查点。基于对象的检查点保存了 Python对象（层、优化器、， 变量等），并使用此图进行匹配 还原检查点时的变量。它可以更健壮地处理 Python程序中的更改，并有助于支持创建时恢复 在急切地执行时，用于变量首选

tf.训练.检查点

over

tf.train.Saver

用于新代码