目前我主要看到了两种方法来保存和复原tensorflow model，先总结一下:

MetaGraph

这种就是我们经常看到的 tf.train.Saver　对应的东西。使用这种方法保存模型，会产生两种文件。

• meta: 里面存储的是整个graph的定义
• checkpoint: 这里保存的是 variable 的状态。 
  这里通过如下的方式保存一个模型

checkpoint_dir = "mysaver"# first creat a simple graph
graph = tf.Graph()#define a simple graph
with graph.as_default():x = tf.placeholder(tf.float32,shape=[],name='input')y = tf.Variable(initial_value=0,dtype=tf.float32,name="y_variable")update_y = y.assign(x)saver = tf.train.Saver(max_to_keep=3)init_op = tf.global_variables_initializer()# train the model and save the model every 4000 iterations.
sess = tf.Session(graph=graph)
sess.run(init_op)
for i in range(1,10000):y_result = sess.run(update_y,feed_dict={x:i})if i %4000 == 0:saver.save(sess,checkpoint_dir,global_step=i)       

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

这些是产生的文件

checkpoint
mysaver-4000.data-00000-of-00001
mysaver-4000.index
mysaver-4000.meta
mysaver-8000.data-00000-of-00001
mysaver-8000.index
mysaver-8000.meta

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

稍后我们可以复原model

tf.reset_default_graph()
restore_graph = tf.Graph()
with tf.Session(graph=restore_graph) as restore_sess:restore_saver = tf.train.import_meta_graph('mysaver-8000.meta')restore_saver.restore(restore_sess,tf.train.latest_checkpoint('./'))print(restore_sess.run("y_variable:0"))

• 1
• 2
• 3
• 4
• 5
• 6

上面这段python代码的输出如下:

INFO:tensorflow:Restoring parameters from ./mysaver-8000
8000.0

• 1
• 2

因为最新的checkpoint文件是在 8000th iterations保存的，所以当model复原后 y_variable的值是　80000

SavedModel

还有一种保存模型的方法就是　SavedModel 。 
这种方法我是在看tensorflow servicing的时候看到的，个人的感觉，这是一种更适合部署的方法。暂时没有去研究tensorflow servicing。但是我看很多代码都使用到了通过这种方式保存的文件。比如imagenet example。所以这里着重介绍怎么使用从别的地方拿到的SavedModel文件。

建立 SavedModel

主要分为三部 
* 建立一个 tf.saved_model.builder.SavedModelBuilder. 
* 使用刚刚建立的 builder把当前的graph和variable添加进去：SavedModelBuilder.add_meta_graph_and_variables(...) 
* 可以使用　SavedModelBuilder.add_meta_graph 添加多个meta graph

复原 SavedModel

这个需要通过这个 model 来完成的：tf.saved_model.loader

通过命令来查看和执行SavedModel

上面的通过编程的方式来建立和复原SavedModel,　我现在基本上不需要发布模型给别人用，但是经常想使用一下别人已经训练好的模型。当拿到别人的模型的时候，需要知道怎么使用。官方提供了一个工具：saved_model_cli，这个工具包含了　show 和　run 两类命令

感兴趣的同学可以查看官方文档　或者这篇博客对应的 jupyter notebook

可视化　SavedModel

我们知道google提供 TensorBoard给我们可视化的调试tensorflow,　tensorboard一个最基本的功能就是把graph展示出来。但是有时候我们拿到别人 SavedModel,　我们需要把这个model跑一遍，产生summary文件才能在tensorboard里面看。google deepdream 参考代码里面提供了一个很方便的代码可以让我们快速的把graph展示出来。代码如下, 这个代码是我也放到我的github了，大家也可以直接去看google deepdram 参考代码

# these function is copied from google deepdream example code
import numpy as np
from IPython.display import clear_output, Image, display, HTML
def strip_consts(graph_def, max_const_size=32):"""Strip large constant values from graph_def."""strip_def = tf.GraphDef()for n0 in graph_def.node:n = strip_def.node.add() n.MergeFrom(n0)if n.op == 'Const':tensor = n.attr['value'].tensorsize = len(tensor.tensor_content)if size > max_const_size:tensor.tensor_content = tf.compat.as_bytes("<stripped %d bytes>"%size)return strip_defdef rename_nodes(graph_def, rename_func):res_def = tf.GraphDef()for n0 in graph_def.node:n = res_def.node.add() n.MergeFrom(n0)n.name = rename_func(n.name)for i, s in enumerate(n.input):n.input[i] = rename_func(s) if s[0]!='^' else '^'+rename_func(s[1:])return res_def
def show_graph(graph_def, max_const_size=32):"""Visualize TensorFlow graph."""if hasattr(graph_def, 'as_graph_def'):graph_def = graph_def.as_graph_def()strip_def = strip_consts(graph_def, max_const_size=max_const_size)code = """<script>function load() {{document.getElementById("{id}").pbtxt = {data};}}</script><link rel="import" href="https://tensorboard.appspot.com/tf-graph-basic.build.html" onload=load()><div style="height:600px"><tf-graph-basic id="{id}"></tf-graph-basic></div>""".format(data=repr(str(strip_def)), id='graph'+str(np.random.rand()))iframe = """<iframe seamless style="width:800px;height:620px;border:0" srcdoc="{}"></iframe>""".format(code.replace('"', '&quot;'))display(HTML(iframe))