tensorflow保存模型的文件类型

tensorflow框架下

使用saver=tf.train.Saver()保存模型会输出以下四种文件

checkpoint 文本文件，记录了模型文件的路径信息列表

.ckpt.meta 保存了模型的计算图结构信息（模型的网络结构）

.ckpt.data-00000-of-00001 网络权重信息

.ckpt.index 保存了模型中的变量参数（权重）信息

模型加载方式

(1)

def restore_model_ckpt(ckpt_file_path):

    sess =tf.Session()

    saver =tf.train.import_meta_graph('./ckpt/model.ckpt.meta') # 加载模型结构

    saver.restore(sess, tf.train.latest_checkpoint('./ckpt')) # 指定目录就可以恢复所有变量信息

（2）

saver = tf.train.import_meta_graph(path_to_ckpt_meta)

saver.restore(sess, path_to_ckpt_data)

.pb文件是谷歌推荐的保存模型的方式

将模型参数固化到图文件中，里面保存了图结构+数据，合并了一些基础计算和删除了反向传播相关计算得到的protobuf协议文件，加载模型时只需要这一个文件就好

keras框架下

.h5 保存的模型参数或者模型

.json .yaml 保存的模型结构

.hdf5 保存的模型参数

keras(tensorflow backend)中可以通过如下方式加载模型

(1)

loaded_model = model_from_json(open('model_architecture-1.json').read())

loaded_model.load_weights('saved_models/weights-improvement-19-0.98100.hdf5', by_name=True)

#loaded_model.load_weights('my_model_weights.h5', by_name=True)

(2)

model = load_model('my_model.h5')