python保存模型与参数_Tensorflow 使用pb文件保存(恢复)模型计算图和参数实例详解...

一、保存：

graph_util.convert_variables_to_constants 可以把当前session的计算图串行化成一个字节流(二进制)，这个函数包含三个参数：参数1：当前活动的session，它含有各变量

参数2：GraphDef 对象，它描述了计算网络

参数3：Graph图中需要输出的节点的名称的列表

返回值：精简版的GraphDef 对象，包含了原始输入GraphDef和session的网络和变量信息，它的成员函数SerializeToString()可以把这些信息串行化为字节流，然后写入文件里：

constant_graph = graph_util.convert_variables_to_constants( sess, sess.graph_def , ['sum_operation'] )

with open( pbName, mode='wb') as f:

f.write(constant_graph.SerializeToString())

需要指出的是，如果原始张量(包含在参数1和参数2中的组成部分)不参与参数3指定的输出节点列表所指定的张量计算的话，这些张量将不会存在返回的GraphDef对象里，也不会被串行化写入pb文件。

二、恢复：

恢复时，创建一个GraphDef，然后从上述的文件里加载进来，接着输入到当前的session：

graph0 = tf.GraphDef()

with open( pbName, mode='rb') as f:

graph0.ParseFromString( f.read() )

tf.import_graph_def( graph0 , name = '' )

三、代码：

import tensorflow as tf

from tensorflow.python.framework import graph_util

pbName = 'graphA.pb'

def graphCreate() :

with tf.Session() as sess :

var1 = tf.placeholder ( tf.int32 , name='var1' )

var2 = tf.