TensorFlow，保存模型后为什么会有3个文件？

阅读文档后，我在中保存了一个模型TensorFlow，这是我的演示代码：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
with tf.Session() as sess:
  sess.run(init_op)
  # Do some work with the model.
  ..
  # Save the variables to disk.
  save_path = saver.save(sess, "/tmp/model.ckpt")
  print("Model saved in file: %s" % save_path)

但是之后，我发现有3个文件

model.ckpt.data-00000-of-00001
model.ckpt.index
model.ckpt.meta

而且我无法通过还原model.ckpt文件来还原模型，因为没有这样的文件。这是我的代码

with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")

那么，为什么有3个文件？

试试这个：

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('/tmp/model.ckpt.meta')
    saver.restore(sess, "/tmp/model.ckpt")

TensorFlow保存方法可保存三种文件，因为它将图结构与变量值分开存储。该.meta文件描述了已保存的图形结构，因此您需要在还原检查点之前将其导入（否则，它不知道所保存的检查点值对应于哪些变量）。

或者，您可以这样做：

# Recreate the EXACT SAME variables
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")

...

# Now load the checkpoint variable values
with tf.Session() as sess:
    saver = tf.train.Saver()
    saver.restore(sess, "/tmp/model.ckpt")

即使没有名为的文件model.ckpt，在还原文件时，仍会使用该名称来引用已保存的检查点。从saver.py源代码：

用户只需要与用户指定的前缀进行交互即可...而不是任何物理路径名。

• meta文件：描述保存的图形结构，包括GraphDef，SaverDef等；然后申请tf.train.import_meta_graph('/tmp/model.ckpt.meta')，将还原Saver并Graph。

• 索引文件：它是一个不可变的字符串表（tensorflow :: table :: Table）。每个键是张量的名称，其值是序列化的BundleEntryProto。每个BundleEntryProto都描述张量的元数据：哪个“数据”文件包含张量的内容，该文件的偏移量，校验和，一些辅助数据等。

• 数据文件：它是TensorBundle集合，保存所有变量的值。

我正在从Word2Vec tensorflow教程中恢复经过训练的单词嵌入。

如果您创建了多个检查点：

例如，创建的文件如下所示

型号.ckpt-55695.data-00000-of-00001

型号.ckpt-55695.index

型号.ckpt-55695.meta

试试这个

def restore_session(self, session):
   saver = tf.train.import_meta_graph('./tmp/model.ckpt-55695.meta')
   saver.restore(session, './tmp/model.ckpt-55695')

调用restore_session（）时：

def test_word2vec():
   opts = Options()    
   with tf.Graph().as_default(), tf.Session() as session:
       with tf.device("/cpu:0"):            
           model = Word2Vec(opts, session)
           model.restore_session(session)
           model.get_embedding("assistance")

例如，如果您使用辍学训练了CNN，则可以执行以下操作：

def predict(image, model_name):
    """
    image -> single image, (width, height, channels)
    model_name -> model file that was saved without any extensions
    """
    with tf.Session() as sess:
        saver = tf.train.import_meta_graph('./' + model_name + '.meta')
        saver.restore(sess, './' + model_name)
        # Substitute 'logits' with your model
        prediction = tf.argmax(logits, 1)
        # 'x' is what you defined it to be. In my case it is a batch of RGB images, that's why I add the extra dimension
        return prediction.eval(feed_dict={x: image[np.newaxis,:,:,:], keep_prob_dnn: 1.0})