.pb与.h5的区别

Question

tensorflow的pb格式和存储模型的.h5格式的主要区别是什么？有理由选择一个而不是另一个吗？

Answer 1

具有不同特性的不同文件格式，这两种格式都被tensorflow用来保存模型(.h5，特别是keras)。

.pb -原型

这是一种存储一些结构化数据的方法(在本例中是一个神经网络)，项目是开源，目前被Google浏览过。

示例

person {
  name: "John Doe"
  email: "jdoe@example.com"
}

简单的class包含两个字段，您可以用多种支持的语言之一(例如C++、Go)加载它，并以二进制格式解析、修改和发送给其他人。

优势

• 解析非常小，效率很高(与.xml相比)，因此通常用于跨web的数据传输。
• 当您想要将您的模型用于生产时(例如，通过网络进行推理)，则由Tensorflow发球使用
• 语言无关-二进制格式可以被多种语言(Java、Python、Objective和C++等)读取。
• 建议使用自tf2.0以来，您可以看到官方系列化指南
• 保存各种元数据(优化器、损失等，如果使用keras的模型)

缺点

• SavedModel在概念上比单个文件更难掌握。
• 创建weights所在的文件夹

资料来源

您可以阅读这种格式的这里。

.h5 - HDF5二进制数据格式

最初由keras使用以保存模型(keras现在正式成为tensorflow的一部分)。它不像.pb那样通用，更多的是“面向数据的”，更少编程。

优势

• 用来保存巨大的数据(因此某些神经网络可以很好地适应)
• 通用文件保存格式
• 保存在一个文件中的所有内容(权重、损失、与keras一起使用的优化器等)

缺点

• 不能与Tensorflow Serving一起使用，但您可以简单地通过keras.experimental.export_saved_model(model, 'path_to_saved_model')将其转换为.pb

总而言之

如果您不需要生产您的模型(或者它是相当遥远的)，请使用更简单的模型(.h5)。如果您要进行生产，或者只想在所有.pb提供的工具中对单一格式进行标准化，请使用tensorflow。