Tensorflow 模型保存与恢复（2）使用SavedModel
使用SavedModel 保存和恢复模型
本篇介绍使用SavedModel进行模型的保存与恢复。
其他相关：
Tensorflow 模型保存与恢复（1）使用tf.train.Saver()
Tensorflow 模型保存与恢复（3）保存模型到单个文件中
SavedModel 是一种跨语言的序列化格式（protobuf），可以保存和加载模型变量、图和图的元数据，适用于将训练得到的模型保存用于生产环境中的预测过程。由于跨语言的特性，应用时，可以使用一种语言保存模型，如训练时使用Python代码保存模型；使用另一种语言恢复模型，如使用C++代码恢复模型，进行前向推理，提高效率。
·SavedModel·可以为保存的模型添加签名·signature·，用于保存指定输入输出的graph, 另外可以为模型中的输入输出tensor指定别名，这样子使用模型的时候就不必关心训练阶段模型的输入输出tensor具体的name是什么，讲模型训练和部署解耦，更加方便。
1.保存模型
使用SavedModel保存模型时使用tf.saved_model.builder.SavedModelBuilder来实现，实例化一个builder,传入模型保存的路径：
builder = tf.saved_model.builder.SavedModelBuilder(model_path)
确定输入输出dict,这一步可以看成是给模型中的输入输出tensor取一个别名，可以在预测的时候直接使用这个别名，而不必关心其在原本的训练代码中的名字：
inputs = {'input0': tf.saved_model.utils.build_tensor_info(x_input)}
outputs = {'output0': tf.saved_model.utils.build_tensor_info(conv)}
创建signature：
my_signature = tf.saved_model.signature_def_utils.build_signature_def(inputs, outputs)
添加图和变量：
builder.add_meta_graph_and_variables(sess, ['MODEL_TRAINING'], signature_def_map={'my_signature': my_signature})
最后保存模型：
builder.save()
这样就使用SavedModel完成了模型的保存，保存的结果是两个文件(夹)，一个是.pb文件，是序列化的tensorflow::SavedModel，包含了一个或者多个graph及其元数据；另一个是Variables文件夹，里面保存了序列化的Variables。
2.恢复模型
恢复模型的时候，使用tf.saved_model.loader.load()方法，加载模型：
with tf.Session() as sess:
# load model
meta_graph_def = tf.saved_model.loader.load(sess, ['MODEL_TRAINING'], model_path)
然后获取signature：
signature = meta_graph_def.signature_def
根据signature及定义的输入输出名称获取对应tensor名：
in_tensor_name = signature['my_signature'].inputs['input0'].name
out_tensor_name = signature['my_signature'].outputs['output0'].name
然后可以使用get_tensor_by_name方法获取对应的tensor，进行预测。
完整的代码：github saved_model
3.simple_save
如果不想手动构建builder，tensorflow也提供了一个simple_save方法，可以十分简洁的完成模型保存：
tf.saved_model.simple_save(sess, model_path, inputs={'input0': x_input}, outputs={'output0': conv})
load模型方法及完整代码：github simple_save