在 AI 工程中，模型并不只是一堆参数，而是“结构 + 参数 + 运行约束”的组合体。
不同阶段（训练 / 推理 / 跨框架 / 端侧部署）会使用不同的模型存储格式。

本文系统介绍以下常见模型格式：

• TensorFlow 的 .ckpt

• TensorFlow 的 .pb

• Keras 的 .h5 / SavedModel

• ONNX

• TFLite

重点说明它们的用途、内部结构，以及在 AI 部署链路中的角色。

---

1. TensorFlow .ckpt 模型文件

.ckpt 是 TensorFlow 训练阶段最典型的模型保存格式，本质是训练状态快照。

一个完整的 checkpoint 通常包含多个文件：

• model.ckpt.meta
  保存 TensorFlow 的计算图结构（Graph Definition），可理解为网络拓扑结构

• model.ckpt.data-xxxx-of-xxxx
  保存所有变量（Variables）的具体数值
  即模型中可训练参数（权重、偏置等）

• model.ckpt.index
  变量索引信息，用于快速查找参数

• checkpoint
  记录当前目录下有哪些 checkpoint，以及“最新的是哪个”

特点与用途

• 主要用于：

  • 训练中断恢复

  • 继续训练（resume training）

• 强依赖 TensorFlow 代码

• 不适合直接部署

• 不适合跨框架使用

一句话总结：

ckpt 是“训练态模型”，不是“部署态模型”。

---

2. TensorFlow .pb 模型文件（Frozen Graph）

什么是 .pb？

.pb 是 Protocol Buffers（protobuf） 的二进制序列化格式。
在 TensorFlow 中，.pb 通常指 冻结后的计算图（Frozen Graph）。

冻结（freeze）的含义是：

• 把 Variable（变量）

• 转换成 Constant（常量）

• 将 结构 + 参数 合并进同一个文件

生成方式

常见方式是：

• graph_util.convert_variables_to_constants

• 或使用 tf.compat.v1.graph_util

生成一个 不可训练、只用于推理 的模型。

特点

• 不包含 Python 源代码

• 不包含训练状态

• 加载速度快

• 适合服务器端推理

你文中提到的类比是非常准确的：

.pb 就像 C 语言编译后的机器码，
可执行，但几乎无法还原成源码。

---

3. Keras .h5 / .hdf5 模型文件

.h5 是基于 HDF5 格式的模型文件，Keras 时代的经典方案。

.h5 能保存什么？

一个 .h5 文件通常包含：

• 模型结构（JSON 形式）

• 模型参数（权重）

• 可选：优化器状态

特点

• 单文件，易管理

• 与 Keras API 强绑定

• 易加载、易分享

• 适合中小模型

局限性

• 不适合超大模型

• 不利于复杂部署场景

• TensorFlow 官方已更推荐 SavedModel

一句话总结：

.h5 是 “Keras 友好型模型快照”。

---

4. TensorFlow SavedModel（补充，实际非常重要）

虽然你原文没写，但工程上必须补这一节。

SavedModel 是什么？

这是 TensorFlow 官方推荐的标准模型格式，是一个目录结构：

saved_model/
├── assets/
├── variables/
│   ├── variables.data-00000-of-00001
│   └── variables.index
└── saved_model.pb
 

特点

• 同时支持：

  • 训练

  • 推理

  • TensorFlow Serving

  • TFLite / ONNX 转换

• 明确区分输入 / 输出 signature

• 工业界使用最广

一句话总结：

SavedModel 是 TensorFlow 世界里的“正统继承人”。

---

5. ONNX 模型文件

ONNX 是什么？

ONNX（Open Neural Network Exchange） 是一个跨框架模型表示标准。

支持导出 / 导入的框架包括：

• PyTorch

• TensorFlow

• MXNet

• Paddle

• JAX（部分）

ONNX 文件本质

• 基于 protobuf

• 描述：

  • 计算图

  • 算子

  • 权重

• 不绑定某个具体训练框架

使用场景

• 跨框架部署

• 使用 ONNX Runtime / TensorRT / OpenVINO

• 高性能推理

特点

• 框架无关

• 强调 推理一致性

• 算子集合受限（不是所有自定义算子都支持）

一句话总结：

ONNX 是 AI 世界的“通用中间语言”。

---

6. .tflite 模型文件

你原文对 TFLite 的描述是对的，我帮你补齐工程视角。

TFLite 是什么？

TensorFlow Lite 是 面向移动端 / 嵌入式设备的推理框架。

.tflite 文件特点

• 基于 FlatBuffers

• 不需要反序列化

• 零拷贝访问

• 文件小、加载快

常见能力

• INT8 / FP16 量化

• ARM / DSP / NPU 加速

• 端侧离线推理

使用链路

SavedModel / h5 ↓ TFLite Converter ↓ .tflite

一句话总结：

.tflite 是 “能塞进手机和芯片里的模型形态”。

---

7. 各模型格式对比总结（工程视角）

格式	阶段	是否可训练	跨框架	典型用途
ckpt	训练	是	否	断点恢复
h5	训练/推理	是	否	Keras 模型
SavedModel	全流程	是	否	TF 标准
pb	推理	否	否	TF 推理
onnx	推理	否	是	跨框架
tflite	推理	否	否	移动端

---

8. 结论

整条链路：

ckpt / h5 / SavedModel：给“人和框架”用的模型
pb / onnx / tflite：给“机器和部署”用的模型