.ckpt模型文件
tensorflow框架下保存的模型，包含以下几个子文件：
- model.ckpt.meta ：保存Tensorflow计算图结构，可以理解为神经网络的网络结构
- model.ckpt ：保存Tensorflow程序中每一个变量的取值，变量是模型中可训练的部分
- checkpoint ：保存一个目录下所有模型文件列表
.pb 模型文件
pb是protocol buffer的缩写。TensorFlow训练模型后存成的pb文件，是一种表示模型（神经网络）结构的二进制文件，不带有源代码，也一般无法映射成源代码。这就有点像C 语言编译产生的机器码一般无法映射回源代码一样。
tensorflow可以通过graph_util.convert_variables_to_constants函数将sess graph转换为frozen graph保存pb文件形式。
.tflite模型文件
tflite是谷歌自己的一个轻量级推理库，主要用于移动端AI模型部署。
TFLite提供一系列针对移动平台的核心算子，包括量化和浮点运算。TFLite是基于FlatBuffers定义了一种新的模型文件格式。FlatBuffers类似于protocol buffers， FlatBuffers在访问数据之前不需要进行解析/解包步骤，通常与每个对象的内存分配相结合。而且，FlatBuffers的代码占用空间比protocol buffers小一个量级。
.hdf5模型文件
基于tf.keras框架保存的模型文件存储格式。
HDF5 文件一般以 .h5 或者 .hdf5 作为后缀名，需要专门的软件才能打开预览文件的内容。HDF5 文件结构中有 2 个主要对象: Groups 和 Datasets。
- Groups 就类似于文件夹，每个 HDF5 文件其实就是根目录 (root) group
'/'。 - Datasets 类似于 NumPy 中的数组 array 。
每个 dataset 可以分成两部分: 原始数据 (raw) data values 和 元数据 metadata (a set of data that describes and gives information about other data => raw data)。
.onnx模型文件
ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的深度学习框架（如Pytorch, MXNet）可以采用相同格式存储模型数据。简而言之，ONNX是一种便于在各个主流深度学习框架中迁移模型的中间表达格式。
ONNX使用protobuf序列化AI模型，顶层是一个模型（Model）结构，主要由关联的元数据和一个图（Graph）组成；图由元数据、模型参数、输入输出、和计算节点（Node）序列组成，这些节点构成了一个计算无环图，每一个计算节点代表了一次操作符的调用，主要由节点名称、操作符、输入列表、输出列表和属性列表组成，属性列表主要记录了一些运行时常量，比如模型训练时生成的系数值。
ONNX模型解析流程：
读取.onnx文件，获得model结构；
通过model结构访问graph结构；
通过graph访问整个网络的所有node以及inputs、outputs；
通过node结构，可以获取每一个OP的参数信息。
其中，graph结构中还定义了initializer和value_info，分别存放了模型的权重参数和每个节点的输出信息。