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。
- 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。
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。
缺点：
- 文件较大，因为包含了完整的图结构和参数值。
- 可能需要更复杂的代码来保存和恢复。
- Freeze Graph
Freeze Graph 是将 TensorFlow 计算图和参数冻结为一个单一文件的过程。这通过将 GraphDef 和 Checkpoints 文件合并，并转换成常量，来创建一个不可变的 GraphDef 文件。
优点：
- 产生一个全部操作都转换成常量的不变计算图，适合性能优化和模型部署。
- 文件大小减少，因为所有变量被转化为常量，移动了不必要的元数据和操作。
缺点：
- 在冻结过程中，可能会丢失图结构中的一些信息，这可能影响之后对模型的微调和维护。
- 一旦冻结，图内的节点不可更改，这意味着不能对模型的结构进行调整。
- 工具链比较复杂，通常需要通过
tf.graph_util.convert_variables_to_constants函数来完成。
总的来说，每种保存方法都适用于不同的场景。如果你需要不断迭代模型并将结果保存为 Checkpoints，则 Checkpoints 是个好选项；如果你打算在不同的平台上部署模型，则推荐使用 SavedModel 格式；如果你要将模型部署到生产环境中，并希望文件尽可能小，则可能需要使用 Freeze Graph 来冻结模型。在 TensorFlow 2.x 中，官方强烈推荐使用 SavedModel 格式，因为它的API设计更加统一、简洁。