TensorFlow固化模型的实现操作
前言
TensorFlow目前在移动端是无法training的，只能跑已经训练好的模型，但一般的保存方式只有单一保存参数或者graph的，如何将参数、graph同时保存呢？
生成模型
主要有两种方法生成模型，一种是通过freeze_graph把tf.train.write_graph()生成的pb文件与tf.train.saver()生成的chkp文件固化之后重新生成一个pb文件，这一种现在不太建议使用。另一种是把变量转成常量之后写入PB文件中。我们简单的介绍下freeze_graph方法。
freeze_graph
这种方法我们需要先使用tf.train.write_graph()以及tf.train.saver()生成pb文件和ckpt文件，代码如下：
withtf.Session()assess: saver=tf.train.Saver() saver.save(session,"model.ckpt") tf.train.write_graph(session.graph_def,'','graph.pb')
然后使用TensorFlow源码中的freeze_graph工具进行固化操作:
首先需要buildfreeze_graph工具(需要bazel)：
bazelbuildtensorflow/python/tools:freeze_graph
然后使用这个工具进行固化（/path/to/表示文件路径）：
bazel-bin/tensorflow/python/tools/freeze_graph--input_graph=/path/to/graph.pb--input_checkpoint=/path/to/model.ckpt--output_node_names=output/predict--output_graph=/path/to/frozen.pb
convert_variables_to_constants
其实在TensorFlow中传统的保存模型方式是保存常量以及graph的，而我们的权重主要是变量，如果我们把训练好的权重变成常量之后再保存成PB文件，这样确实可以保存权重，就是方法有点繁琐，需要一个一个调用eval方法获取值之后赋值，再构建一个graph，把W和b赋值给新的graph。
牛逼的Google为了方便大家使用，编写了一个方法供我们快速的转换并保存。
首先我们需要引入这个方法
fromtensorflow.python.framework.graph_utilimportconvert_variables_to_constants
在想要保存的地方加入如下代码，把变量转换成常量
output_graph_def=convert_variables_to_constants(sess,sess.graph_def,output_node_names=['output/predict'])
这里参数第一个是当前的session，第二个为graph，第三个是输出节点名（如我的输出层代码是这样的：）
withtf.name_scope('output'):
w_out=tf.Variable(w_alpha*tf.random_normal([1024,MAX_CAPTCHA*CHAR_SET_LEN]))
tf.summary.histogram('output/weight',w_out)
b_out=tf.Variable(b_alpha*tf.random_normal([MAX_CAPTCHA*CHAR_SET_LEN]))
tf.summary.histogram('output/biases',b_out)
out=tf.add(tf.matmul(dense2,w_out),b_out)
out=tf.nn.softmax(out)
predict=tf.argmax(tf.reshape(out,[-1,11,36]),2,name='predict')
由于我们采用了name_scope所以我们在predict之前需要加上output/
生成文件
withtf.gfile.FastGFile('model/CTNModel.pb',mode='wb')asf:
f.write(output_graph_def.SerializeToString())
第一个参数是文件路径，第二个是指文件操作的模式，这里指的是以二进制的方式写入文件。
运行代码，系统会生成一个PB文件，接下来我们要测试下这个模型是否能够正常的读取、运行。
测试模型
在Python环境下，我们首先需要加载这个模型，代码如下：
withopen('./model/rounded_graph.pb','rb')asf:
graph_def=tf.GraphDef()
graph_def.ParseFromString(f.read())
output=tf.import_graph_def(graph_def,
input_map={'inputs/X:0':newInput_X},
return_elements=['output/predict:0'])
由于我们原本的网络输入值是一个placeholder，这里为了方便输入我们也先定义一个新的placeholder：
newInput_X=tf.placeholder(tf.float32,[None,IMAGE_HEIGHT*IMAGE_WIDTH],name="X")
在input_map的参数填入新的placeholder。
在调用我们的网络的时候直接用这个新的placeholder接收数据，如：
text_list=sesss.run(output,feed_dict={newInput_X:[captcha_image]})
然后就是运行我们的网络，看是否可以运行吧。
以上这篇TensorFlow固化模型的实现操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。