1 tensorflow模型固化
1.1 训练时直接固化成pb文件
import tensorflow as tf
from tensorflow.python.framework import graph_util
v1 = tf.Variable(tf.constant(1.0, tf.float32, [1]),name='v1')
v2 = tf.Variable(tf.constant(2.0, tf.float32, [1]),name='v2')
result = v1 + v2
with tf.Session() as sess:
print(sess.run(tf.global_variables_initializer()))
print(result.eval())
# 导出当前计算图的GraphDef部分,只需要这一部分就可以完成从输入层到输出层的计算过程
graph_def = tf.get_default_graph().as_graph_def()
# 将图中的变量及其取值转化为常量,同时将图中不必要的节点去掉(例如一些诸如变量初始化操作的系统运算)
# 如果只关心程序中定义的某些运算时,和这些计算无关的节点就没有必要导出并保存了,在下面的一行代码中,
# 最后一个参数['add']给出了需要保存的节点名称.add节点是上面定义的两个变量相加的操作.
# 注意这里给出的计算节点的名称,所以没有后面的:0,:0表示的是该节点的第一个输出
output_graph_def = graph_util.convert_variables_to_constants(sess,graph_def,['add'])
# 将导出的模型存入文件
with tf.gfile.GFile('./model/combined_model.pb', 'wb') as f:
f.write(output_graph_def.SerializeToString())
1.2 已有训练好的ckpt文件固化成pb文件
1.2.1 前期准备
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0,tf.float32, [1]),name='v1')
v2 = tf.Variable(tf.constant(2.0,tf.float32, [1]),name='v2')
result = v1 + v2
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(result.eval())
saver.save(sess,'./model/model.ckpt')
模型文件如下
整个模型固化过程分两步进行,首先加载模型并将参数赋予训练得到的值,然后固化模型,写入pb文件。
1.2.2 加载模型和参数
方式一,通过加载meta图结构加载原图, saver = tf.train.import_meta_graph(cpkt_path + ‘.meta’, clear_devices=True)
import t