Python TensorFlow在没有模型的情况下恢复/部署网络？

我用TensorFlow建立和训练了一些网络，并成功地保存和恢复了模型的参数

但是，对于某些场景（例如，在客户的基础设施中部署经过培训的网络），发布完整的代码/模型并不是最好的解决方案。因此，我想知道是否有任何方法可以在没有用于培训的原始代码/模型的情况下恢复/运行经过培训的网络

我想这就引出了一个问题，除了变量的权重外，TensorFlow是否能够将网络架构的（压缩？）版本保存到检查点文件中

---

这可能吗？

如果您确实需要仅从graphdef文件（*.pb）进行恢复，例如，要从另一个应用程序加载该文件，您需要在此处使用freeze_graph.py脚本：

---

此脚本将graphdef（.pb）和检查点（.ckpt）文件作为输入，并输出一个graphdef文件，其中包含常量形式的权重（您可以阅读脚本上的文档了解更多详细信息）。

您正在寻找TensorFlow服务吗（例如，在机器人上测试模型时，架构必须运行，因此代码已经过时）我想知道是否有任何方法可以让我执行类似于

saver.restore（sess，“some\u checkpoint\u file.ckpt”）

和

sess.run（…）

无需每次复制整个代码库……但从长远来看，是的：看起来TensorFlow服务就是我搜索的稳定/长期环境。此外，一个轻量级的解决方案是

冻结图

，它将变量作为常量节点内联到graphdef中--