tensorflow中，checkpoint和pb的區別和聯繫

1.checkpoint文件

1.1保存方式

tf.train.Saver()

1.2可以得到四個文件

checkpoint                  檢查點文件

model.ckpt.data-xxx   保存的是參數的值

model.ckpt.index        保存的是各個參數

model.ckpt.meta        保存的是圖的結構

1.3通過saver.restore()恢復整個神經網絡

但是這種方式有幾個缺點，首先這種模型文件是依賴 TensorFlow 的，只能在其框架下使用；其次，在恢復模型之前還需要再定義一遍網絡結構，然後才能把變量的值恢復到網絡中。

 

ps： 使用chpt也可以直接加載網絡結構，不需要重新定義網絡：

saver = tf.train.import_meta_graph('./ckpt/model.ckpt.meta') 

1.4保存和重現

使用tf.train.Saver()進行保存

使用saver.restore()進行重現

這一部分詳見這一篇文章。

2.pb文件

2.1優勢

（1）谷歌推薦的保存模型的方式是保存模型爲 PB 文件，它具有語言獨立性，可獨立運行，封閉的序列化格式，任何語言都可以解析它，它允許其他語言和深度學習框架讀取、繼續訓練和遷移 TensorFlow 的模型；

（2）保存爲 PB 文件時候，模型的變量都會變成固定的，導致模型的大小會大大減小，適合在手機端運行。

2.2使用場景

實現創建模型與使用模型的解耦， 使得前向推導 inference的代碼統一.

2.3格式

PB 文件是表示 MetaGraph 的 protocol buffer格式的文件

2.4需要注意

Graphdef中不保存任何 Variable 的信息，所以如果從graph_def來構建圖並恢復訓練的話，是不能成功的。

 

Meta Graph在具體實現上就是一個 MetaGraphDef (同樣是由 Protocol Buffer來定義的). 其包含了四種主要的信息，根據Tensorflow官網，這四種 Protobuf 分別是:

[1] - MetaInfoDef，存一些元信息(比如版本和其他用戶信息)

[2] - GraphDef， MetaGraph 的核心內容之一

[3] - SaverDef，圖的Saver信息（比如最多同時保存的check-point數量，需保存的Tensor名字等，但並不保存Tensor中的實際內容）

[4] - CollectionDef，任何需要特殊注意的 Python 對象，需要特殊的標註以方便import_meta_graph 後取回(如 train_op, prediction 等等)
 

【參考】

1.tensorflow 模型固化文件--checkpoint 和 pb；

2.[Tensorflow] 如何從pb文件生成標準的tensorflow checkpoint文件？