最近在用 java 改写一个用 python 编写的 model，遇到了有关模型保存与恢复的问题，发现网上的资料有些混乱，在这里做一些记录。
.ckpt
1. .ckpt 全称为 checkpoint，代表着一个检查点，即为 model 训练过程中的一个快照，可能是在训练开始，也可能是在训练完成。
2. .ckpt 是由 Saver 调用 save 产生的：
saver.save(sess,"/tmp/model.ckpt")
3. 由 Saver 调用 restore 来复原 model 的数据：
saver.restore(sess,path)
注意这里，复原的只有数据，不含 graph 信息。
4. .ckpt 不是单独的一个文件，而是一系列文件。
.ckpt 的一系列文件
其内部包含了：
①checkpoint： .ckpt 的标记信息。
②.data： model 中 graph 的数据，包括各种变量，不含常量。
③.index： 索引信息。
④.meta： graph 信息。
在这里要搞明白一点，一个 model 是由 graph（④） + 数据（②） 组成的。
graph 代表着执行逻辑，在 tensorflow 中，每个算子用一个 node 来表示，众多 node 组合起来便是一张图（graph），也就是我们的执行逻辑，而这些执行逻辑在 Saver 调用 save 时，会被存到 .meta 中（不含数据）。各个 node 中含有各种参数（变量，比如训练的权重），这些参数则被存储到 .data 中。graph 与数据是分别存储的。
tf.train.import_meta_graph
该方法只能恢复 graph，不恢复数据。
注意与上面提及的 saver.restore 区分，saver.restore 只恢复数据，不恢复 graph。
recover model
现在我们来讨论下，如何能恢复一个model。前面已经提过了，一个 model 由 graph 和 数据组成，所以只要能恢复这两部分就可以了，依据恢复的方法不同，可以分为两类。
①分别恢复 graph 和数据：
对于数据来说，可以用 saver.restore 来恢复。
对于graph来说，依据恢复方法不同可以分为两种：
A.硬编码恢复：在调用方法中，重新书写 graph 信息。
B. .meta 恢复：通过调用 tf.train.import_meta_graph 方法获得 graph，并配合 get_tensor_by_name 的方法来调用 model 中特定的算子（node）。
saver = tf.train.import_meta_graph('~/tmp/model.ckpt-1000.meta')
graph = tf.get_default_graph()
input = graph.get_tensor_by_name('input:0')
② freezing（固化）：
该方法将变量（训练的权重）固化在 graph 中，即用常量来替换 graph 中的变量，从而达到无需恢复数据，直接调用 graph 即可。权重一旦被固化就不能再修改，该方法一般用于生产环境。
注：笔者在测试 Java API 时，其只支持调用 freezing 后的图。
References：
网友评论