我最近从 PyTorch 切换到 TF（1 和 2），我正在尝试使用它获得良好的工作流程。

我想做的简单的事情如下：

从TF1 zoo或TF2 zoo加载完整的预训练对象检测模型
用于model.summary()检查加载模型的网络架构。
使用预训练的加载模型进行推理。
修改（例如重塑、删除、添加）加载模型的层和权重。
重新训练修改后的加载模型。

我知道 TF 具有图形和权重的概念，而 PyTorch 仅具有包含所有内容的模型。尽管如此，我还是找不到一种简单且最佳的方法来加载预训练模型，并且互联网上充斥着针对不同 tf 版本的不同答案。

我真的很困惑，因为要实现上述几点，当我从TF1 zoo（或 TF2 zoo）下载预训练模型时，我有很多不同的文件可用。

以这个为例，TF1 动物园列表中的第一个。我有一个saved_model文件夹saved_model.pb和variables（空）文件夹，frozen_inference_graph.pb文件model.ckpt，pipeline.config在某些情况下还有一个event文件。所有这些不同的文件真的需要对图形结构和权重进行编码吗？我是否遗漏了什么或者这只是比必要的更复杂？此外，如果您从TF2 zoo下载模型，文件/文件夹结构会有所不同（见下图）

我试过的

import tensorflow as tf #(v2.4)
def load_pretrained_model(self, saved_model_sub_folder,
                          mode):
    # 1. this only load an AutoTrackable object that can be use for inference but no graph
    if mode == '.pb':
        model_dir = str(TRAINED_MODEL_DIR) + saved_model_sub_folder
        model_dir = pathlib.Path(model_dir) / "saved_model"
        model = tf.saved_model.load(str(model_dir), None, '.')
        detection_model = model.signatures['serving_default']

    # 2. this returns None
    elif mode == '.graph':
        def load_graph(frozen_graph_filename):
            with tf.compat.v1.gfile.GFile(frozen_graph_filename, "rb") as f:
                graph_def = tf.compat.v1.GraphDef()
                graph_def.ParseFromString(f.read())
                return graph_def
        detection_model = tf.compat.v1.import_graph_def(load_graph(frozen_graph_filename))
    else:
        detection_model = None

    return detection_model

Tl;博士

有人可以回答上面关于如何在 python3 中加载完整的（图形、权重、一切......）可定制的 tensorflow1 或 tensorflow2 模型的一些要点（1 到 5）吗？

Tensorflow：如何加载/恢复完整模型（.pb、.pbtxt、.graph、.ckpt、变量、事件）？

Tl;博士