TensorFlow 1.x 版本保存模型的三种方式的优缺点

在 TensorFlow 1.x 版本中，有三种常用的模型保存方式：Checkpoints，tf.saved_model（SavedModel 格式），以及 Freeze Graph。以下是每种方式的简要说明、优缺点。

1. Checkpoints

Checkpoints 是 TensorFlow 中比较早期的模型保存方式。它通过 tf.train.Saver() 实例保存和恢复模型的参数（权重和偏置）。

优点：

• 简单易用，只需创建 tf.train.Saver() 实例并调用 save 和 restore 方法。
• 保存空间相对较小，只保存参数值。

缺点：

• 只保存模型的参数值（variables），不保存计算图结构，因此在恢复时，需要先重新定义模型结构。
• 依赖于原始的 Python 代码来重新构建计算图。
• 不方便跨语言或平台部署，因为缺乏计算图的描述。

1. tf.saved_model（SavedModel 格式）

SavedModel 格式是 TensorFlow 更推荐的模型保存格式。它是一个包含完整的 TensorFlow 程序的目录，包括权重和图结构。

优点：

• 完整保存富集成的模型，包括计算图和参数值。
• 可跨平台部署，适合在 TensorFlow Serving、TensorFlow Lite、TensorFlow.js 或 TensorFlow Hub 上使用。
• 支持模型的版本管理。