tensorflow——模型迁移_模型迁移 节点优化 节点合并 tensorflow

tensorflow的三种Graph结构：

• Graph：tensorflow运行会话是在默认的Graph中，包含了各个运算节点和用于计算的张量；
• GraphDef：将Graph序列化为python代码得到的图，可以理解为一种数据结构，以常量的形式保存Tensor，无法继续训练; ——对应pb文件
• MetaGraph:将Graph进行序列化，进行模型保存，Tensor以变量形式保存，可以被继续训练（

  通过tf.export_meta_graph()保存Graph，得到MetaGraph

  通过import_meta_graph将MetaGraph恢复

  ）；           

对图的保存和恢复三对API，

• tf.train.Saver()/saver.restore()
• export_meta_graph/Import_meta_graph
• tf.train.write_graph()/tf.Import_graph_def()

pb文件的导入

步骤1 构造 GraphDef 协议缓冲区：

 使用tf.Graph.as_graph_def 创建一个 GraphDef 原型

步骤3 将GraphDef 的内容导入默认图Graph中：

函数：tf.import_graph_def( graph_def, input_map=None, return_elements=None, name=None, op_dict=None, producer_op_list=None )

参数：

• graph_def：一个 GraphDef 原型,它包含了要导入默认图形的操作.
• input_map：将 graph_def 中的输入名称 (作为字符串) 映射到张量对象的字典.导入的图形中的指定输入张量的值将 re-mapped 到各自的幅值.
• return_elements：包含将作为操作对象返回的 graph_def 中的操作名称的字符串列表或张量名称在 graph_def,将作为张量对象返回.
• name：(可选)将在 graph_def 中预先处理的前缀.请注意,这不适用于导入的函数名称.默认为 "import".
• op_dict：(可选)将 op 类型名称映射到 OpDefprotos 的字典.必须包含在 graph_def 中命名的每个 op 类型的 OpDef 原型.如果省略,请使用在全局注册表中注册的 OpDef 原型.
• producer_op_list：(可选)由图的生产者使用的 (可能被剥掉的) OpDefs 的 OpList 原始列表.如果提供,attrs 的 ops 在 graph_def 而不在 op_dict,根据producer_op_list 的默认值 将被删除.这将允许后面的二进制文件所产生的一些 GraphDefs 被早期的二进制文件接受.

返回值：

• 该函数返回来自导入图形的操作或张量对象的列表,对应于 return_elements 中的名称

代码：

import tensorflow as tf
# gfile模块定义在tensorflow/python/platform/gfile.py
# 包含GFile、FastGFile和Open三个没有线程锁定的文件I/O包装器类
from tensorflow.python.platform import gfile
 
with tf.Session() as sess:
    # 使用FsatGFile类的构造函数返回一个FastGFile类
    with gfile.FastGFile("/home/jiangziyang/model/model.pb", 'rb') as f:
        graph_def = tf.GraphDef()
        # 使用FastGFile类的read()函数读取保存的模型文件，并以字符串形式
        # 返回文件的内容，之后通过ParseFromString()函数解析文件的内容
        graph_def.ParseFromString(f.read())
 
    # 使用import_graph_def()函数将graph_def中保存的计算图加载到当前图中
    # 原型import_graph_def(graph_def,input_map,return_elements,name,op_dict,
    #                                                     producer_op_list)
    result = tf.import_graph_def(graph_def, return_elements=["add:0"])
 
    print(sess.run(result))
    # 输出为[array([3.], dtype=float32)]

获取变量的方式：https://blog.csdn.net/zw__chen/article/details/82187324

pb文件的生成

步骤1 获取当前默认的计算图——get_default_graph()

步骤2 将graph图序列化为GraphDef图——as_graph_def()

步骤3 将变量替换为常量

convert_variables_to_constants(sess,input_graph_def,output_node_names,variable_names_whitelist=None,variable_names_blacklist=None)

参数:
  sess:会话
  input_graph_def: GraphDef图
  output_node_names: 要保存的计算图中计算结点的名称组成的字符串列表.
  variable_names_whitelist: 要转换为常量的变量名称的集合，默认是所有变量.
  variable_names_blacklist: 要省略转换为常量的变量列表.

返回:
  转换为常量的GraphDef图.

代码：

import tensorflow as tf
#graph_util模块定义在tensorflow/python/framework/graph_util.py
from tensorflow.python.framework import graph_util
 
a = tf.Variable(tf.constant(1.0, shape=[1]), name="a")
b = tf.Variable(tf.constant(2.0, shape=[1]), name="b")
result = a + b
init_op = tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init_op)
 
    # 导出主要记录了TensorFlow计算图上节点信息的GraphDef部分
    # 使用get_default_graph()函数获取默认的计算图
    graph_def = tf.get_default_graph().as_graph_def()
 
    # convert_variables_to_constants()函数表示用相同值的常量替换计算图中所有变量，
    # 原型convert_variables_to_constants(sess,input_graph_def,output_node_names,
    #                          variable_names_whitelist, variable_names_blacklist)
    # 其中sess是会话，input_graph_def是具有节点的GraphDef对象，output_node_names
    # 是要保存的计算图中的计算节点的名称，通常为字符串列表的形式，variable_names_whitelist
    # 是要转换为常量的变量名称集合(默认情况下，所有变量都将被转换)，
    # variable_names_blacklist是要省略转换为常量的变量名的集合。
    output_graph_def = graph_util.convert_variables_to_constants(sess, graph_def, ['add'])
 
    # 将导出的模型存入.pb文件
    with tf.gfile.GFile("/home/jiangziyang/model/model.pb", "wb") as f:
    # SerializeToString()函数用于将获取到的数据取出存到一个string对象中，
    # 然后再以二进制流的方式将其写入到磁盘文件中
        f.write(output_graph_def.SerializeToString())