tf.saved_model.experimental.VariablePolicy

Перечисление, определяющее параметры обработки переменных при сохранении.

NONE Политика не применяется: распределенные переменные сохраняются как одна переменная без привязки к устройству.

SAVE_VARIABLE_DEVICES При сохранении переменных также сохраняются их назначения устройств. Это полезно, если необходимо жестко задавать устройства в сохранённых моделях, но также делает их непереносимыми, если отключается динамическое размещение устройств (подробнее в tf.config.set_soft_device_placement). В настоящее время это не полностью поддерживается saved_model.load и в основном предназначено для использования при чтении сохранённой модели на более низком уровне API. В примере ниже граф, сохранённый вызовом saved_model.save, будет содержать правильно указанные устройства переменных:

exported = tf.train.Checkpoint()
with tf.device('/GPU:0'):
  exported.x_gpu = tf.Variable(1.0)
with tf.device('/CPU:0'):
  exported.x_cpu = tf.Variable(1.0)
tf.saved_model.save(exported, export_dir,
    options = tf.saved_model.SaveOptions(
        experimental_variable_policy=
          tf.saved_model.experimental.VariablePolicy.SAVE_VARIABLE_DEVICES))

Распределённые переменные по-прежнему сохраняются как одна переменная в рамках этой политики.

EXPAND_DISTRIBUTED_VARIABLES Распределённые переменные будут сохранены с информацией о своих компонентах, что позволит восстановить их при загрузке. Кроме того, сохранённый граф будет содержать ссылки на эти переменные. Это полезно, когда требуется использовать модель для обучения в средах, где первоначальная стратегия распределения недоступна.