python 模型文件_tensorflow模型文件(ckpt)转pb文件的方法（不知道输出节点名）

网上关于tensorflow模型文件ckpt格式转pb文件的帖子很多，本人几乎尝试了所有方法，最后终于成功了，现总结如下。方法无外乎下面两种：

使用tensorflow.python.tools.freeze_graph.freeze_graph

使用graph_util.convert_variables_to_constants

1、tensorflow模型的文件解读

使用tensorflow训练好的模型会自动保存为四个文件，如下

checkpoint：记录近几次训练好的模型结果(名称)。

xxx.data-00000-of-00001:模型的所有变量的值(weights, biases, placeholders,gradients, hyper-parameters etc)，也就是模型训练好参数和其他值。

xxx.index ：模型的元数据，二进制或者其他格式，不可直接查看 。是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和一些辅助数据等。

xxx.meta：模型的meta数据 ，二进制或者其他格式，不可直接查看，保存了TensorFlow计算图的结构信息，通俗地讲就是神经网络的网络结构。

2、最常见的ckpt转pb文件的方法

2、ckpt转pb文件(freeze_graph.freeze_graph)

此种方法尝试成功，虽然不知道输出节点名，但是只要模型代码还在就可以操作，直接上代码。

import tensorflow as tf

import os

from tensorflow.python.tools import freeze_graph

from model import network # network是你们自己定义的模型结构(代码结构)

# egs:

# def network(input)：

# return tf.layers.softmax(input)

model_path = "model.ckpt-0000" #设置model的路径，因新版tensorflow会生成三个文件，只需写到数字前

def main():

tf.reset_default_graph()

# 设置输入网络的数据维度，根据训练时的模型输入数据的维度自行修改

input_node = tf.placeholder(tf.float32, shape=(None, None, 200))

output_node = network(input_node) # 神经网络的输出

# 设置输出数据类型(特别注意，这里必须要跟输出网络参数的数据格式保持一致，不然会导致模型预测 精度或者预测能力的丢失)以及重新定义输出节点的名字(这样在后面保存pb文件以及之后使用pb文件时直接使用重新定义的节点名字即可)

flow = tf.cast(output_node , tf.float16, 'the_outputs')

saver = tf.train.Saver()

with tf.Session() as sess:

saver.restore(sess, model_path)

#保存模型图(结构)，为一个json文件

tf.train.write_graph(sess.graph_def, 'output_model/pb_model', 'model.pb')

#将模型参数与模型图结合，并保存为pb文件

freeze_graph.freeze_graph('output_model/pb_model/model.pb', '', False, model_path, 'the_outputs','save/restore_all', 'save/Const:0', 'output_model/pb_model/frozen_model.pb', False, "")

print("done")

if __name__ == '__main__':

main()

2、ckpt转pb文件(graph_util.convert_variables_to_constants)

没有成功，因为不知道输出节点的名字，使用该方法保存后的pb文件只有几十k，无法使用，写在这里主要是为了总结。直接上代码，代码里面没有的库(函数)，按提示自行import。

def freeze_graph(input_checkpoint,output_graph):

'''

:param input_checkpoint:

:param output_graph: PB模型保存路径

:return:

'''

# checkpoint = tf.train.get_checkpoint_state(model_folder) #检查目录下ckpt文件状态是否可用

# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路径

# 指定输出的节点名称,该节点名称必须是原模型中存在的节点

output_node_names = "InceptionV3/Logits/SpatialSqueeze"

saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)

graph = tf.get_default_graph() # 获得默认的图

input_graph_def = graph.as_graph_def() # 返回一个序列化的图代表当前的图

with tf.Session() as sess:

saver.restore(sess, input_checkpoint) #恢复图并得到数据

output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，将变量值固定

sess=sess,

input_graph_def=input_graph_def,# 等于:sess.graph_def

output_node_names=output_node_names.split(","))# 如果有多个输出节点，以逗号隔开

with tf.gfile.GFile(output_graph, "wb") as f: #保存模型

f.write(output_graph_def.SerializeToString()) #序列化输出

print("%d ops in the final graph." % len(output_graph_def.node)) #得到当前图有几个操作节点

# for op in graph.get_operations():

# print(op.name, op.values())

if __name__ == '__main__':

# 输入ckpt模型路径

input_checkpoint='models/model.ckpt-10000'

# 输出pb模型的路径

out_pb_path="models/pb/frozen_model.pb"

# 调用freeze_graph将ckpt转为pb

freeze_graph(input_checkpoint,out_pb_path)

参考链接：

到此这篇关于tensorflow模型文件(ckpt)转pb文件(不知道输出节点名)的文章就介绍到这了,更多相关tensorflow ckpt转pb文件内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！