一、作用：
https://blog.csdn.net/yjl9122/article/details/78341689
這節是關於tensorflow的Freezing，字面意思是冷凍，可理解為整合合並；整合什么呢，就是將模型文件和權重文件整合合並為一個文件，主要用途是便於發布。
官方解釋可參考：https://www.tensorflow.org/extend/tool_developers/#freezing
這里我按我的理解翻譯下，不對的地方請指正：
有一點令我們為比較困惑的是，tensorflow在訓練過程中，通常不會將權重數據保存的格式文件里（這里我理解是模型文件），反而是分開保存在一個叫checkpoint的檢查點文件里，當初始化時，再通過模型文件里的變量Op節點來從checkoupoint文件讀取數據並初始化變量。這種模型和權重數據分開保存的情況，使得發布產品時不是那么方便，所以便有了freeze_graph.py腳本文件用來將這兩文件整合合並成一個文件。
freeze_graph.py是怎么做的呢？首行它先加載模型文件，再從checkpoint文件讀取權重數據初始化到模型里的權重變量，再將權重變量轉換成權重 常量 （因為 常量 能隨模型一起保存在同一個文件里），然后再通過指定的輸出節點將沒用於輸出推理的Op節點從圖中剝離掉，再重新保存到指定的文件里（用write_graphdef或Saver）
文件目錄：tensorflow/python/tools/free_graph.py
測試文件：tensorflow/python/tools/free_graph_test.py 這個測試文件很有學習價值
參數：
總共有11個參數，一個個介紹下(必選： 表示必須有值；可選： 表示可以為空)：
1、input_graph：（必選）模型文件，可以是二進制的pb文件，或文本的meta文件，用input_binary來指定區分（見下面說明）
2、input_saver：（可選）Saver解析器。保存模型和權限時，Saver也可以自身序列化保存，以便在加載時應用合適的版本。主要用於版本不兼容時使用。可以為空，為空時用當前版本的Saver。
3、input_binary：（可選）配合input_graph用，為true時，input_graph為二進制，為false時，input_graph為文件。默認False
4、input_checkpoint：（必選）檢查點數據文件。訓練時，給Saver用於保存權重、偏置等變量值。這時用於模型恢復變量值。
5、output_node_names：（必選）輸出節點的名字，有多個時用逗號分開。用於指定輸出節點，將沒有在輸出線上的其它節點剔除。
6、restore_op_name：（可選）從模型恢復節點的名字。升級版中已棄用。默認：save/restore_all
7、filename_tensor_name：（可選）已棄用。默認：save/Const:0
8、output_graph：（必選）用來保存整合后的模型輸出文件。
9、clear_devices：（可選），默認True。指定是否清除訓練時節點指定的運算設備（如cpu、gpu、tpu。cpu是默認）
10、initializer_nodes：（可選）默認空。權限加載后，可通過此參數來指定需要初始化的節點，用逗號分隔多個節點名字。
11、variable_names_blacklist：（可先）默認空。變量黑名單，用於指定不用恢復值的變量，用逗號分隔多個變量名字。
用法：
例：python tensorflow/python/tools/free_graph.py \
–input_graph=some_graph_def.pb \ 注意：這里的pb文件是用tf.train.write_graph方法保存的
–input_checkpoint=model.ckpt.1001 \ 注意：這里若是r12以上的版本，只需給.data-00000….前面的文件名，如：model.ckpt.1001.data-00000-of-00001，只需寫model.ckpt.1001
–output_graph=/tmp/frozen_graph.pb
–output_node_names=softmax
另外，如果模型文件是.meta格式的，也就是說用saver.Save方法和checkpoint一起生成的元模型文件，free_graph.py不適用，但可以改造下：
1、copy free_graph.py為free_graph_meta.py
2、修改free_graph.py，導入meta_graph：from tensorflow.python.framework import meta_graph
3、將91行到97行換成：input_graph_def = meta_graph.read_meta_graph_file(input_graph).graph_def
這樣改即可加載meta文件
二、代碼：
https://blog.csdn.net/u012426298/article/details/85935946
兩步：
CKPT 轉換成 PB格式
pb模型預測
1、CKPT 轉換成 PB格式
將CKPT 轉換成 PB格式的文件的過程可簡述如下：
通過傳入 CKPT 模型的路徑得到模型的圖和變量數據
通過 import_meta_graph 導入模型中的圖
通過 saver.restore 從模型中恢復圖中各個變量的數據
通過 graph_util.convert_variables_to_constants 將模型持久化【變成常量，這樣才能將變量和模型圖一起存儲】
下面的CKPT 轉換成 PB格式例子，是我訓練GoogleNet InceptionV3模型保存的ckpt轉pb文件的例子，訓練過程可參考博客：《使用自己的數據集訓練GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）》：
def freeze_graph(input_checkpoint,output_graph): ''' :param input_checkpoint: :param output_graph: PB模型保存路徑 :return: ''' # checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態是否可用 # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑 # 指定輸出的節點名稱,該節點名稱必須是原模型中存在的節點 output_node_names = "InceptionV3/Logits/SpatialSqueeze" saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) graph = tf.get_default_graph() # 獲得默認的圖 input_graph_def = graph.as_graph_def() # 返回一個序列化的圖代表當前的圖 with tf.Session() as sess: saver.restore(sess, input_checkpoint) #恢復圖並得到數據 output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定 sess=sess, input_graph_def=input_graph_def,# 等於:sess.graph_def output_node_names=output_node_names.split(","))# 如果有多個輸出節點，以逗號隔開 with tf.gfile.GFile(output_graph, "wb") as f: #保存模型 f.write(output_graph_def.SerializeToString()) #序列化輸出 print("%d ops in the final graph." % len(output_graph_def.node)) #得到當前圖有幾個操作節點 # for op in graph.get_operations(): # print(op.name, op.values())
說明：
1、函數freeze_graph中，最重要的就是要確定“指定輸出的節點名稱”，這個節點名稱必須是原模型中存在的節點，對於freeze操作，我們需要定義輸出結點的名字。因為網絡其實是比較復雜的，定義了輸出結點的名字，那么freeze的時候就只把輸出該結點所需要的子圖都固化下來，其他無關的就舍棄掉。因為我們freeze模型的目的是接下來做預測。所以，output_node_names一般是網絡模型最后一層輸出的節點名稱，或者說就是我們預測的目標。
2、在保存的時候，通過convert_variables_to_constants函數來指定需要固化的節點名稱，對於鄙人的代碼，需要固化的節點只有一個：output_node_names。注意節點名稱與張量的名稱的區別，例如：“input:0”是張量的名稱，而"input"表示的是節點的名稱。
3、源碼中通過graph = tf.get_default_graph()獲得默認的圖，這個圖就是由saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)恢復的圖，因此必須先執行tf.train.import_meta_graph，再執行tf.get_default_graph() 。
4、實質上，我們可以直接在恢復的會話sess中，獲得默認的網絡圖，更簡單的方法，如下：
def freeze_graph(input_checkpoint,output_graph): ''' :param input_checkpoint: :param output_graph: PB模型保存路徑 :return: ''' # checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態是否可用 # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑 # 指定輸出的節點名稱,該節點名稱必須是原模型中存在的節點 output_node_names = "InceptionV3/Logits/SpatialSqueeze" saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) with tf.Session() as sess: saver.restore(sess, input_checkpoint) #恢復圖並得到數據 output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定 sess=sess, input_graph_def=sess.graph_def,# 等於:sess.graph_def output_node_names=output_node_names.split(","))# 如果有多個輸出節點，以逗號隔開 with tf.gfile.GFile(output_graph, "wb") as f: #保存模型 f.write(output_graph_def.SerializeToString()) #序列化輸出 print("%d ops in the final graph." % len(output_graph_def.node)) #得到當前圖有幾個操作節點
調用freeze_graph方法：
調用方法很簡單，輸入ckpt模型路徑，輸出pb模型的路徑即可：
# 輸入ckpt模型路徑
input_checkpoint='models/model.ckpt-10000'
# 輸出pb模型的路徑
out_pb_path="models/pb/frozen_model.pb"
# 調用freeze_graph將ckpt轉為pb
freeze_graph(input_checkpoint,out_pb_path)
5、上面以及說明：在保存的時候，通過convert_variables_to_constants函數來指定需要固化的節點名稱，對於鄙人的代碼，需要固化的節點只有一個：output_node_names。因此，其他網絡模型，也可以通過簡單的修改輸出的節點名稱output_node_names，將ckpt轉為pb文件 。
PS：注意節點名稱，應包含name_scope 和 variable_scope命名空間，並用“/”隔開，如"InceptionV3/Logits/SpatialSqueeze"
2、 pb模型預測
下面是預測pb模型的代碼：
def freeze_graph_test(pb_path, image_path): ''' :param pb_path:pb文件的路徑 :param image_path:測試圖片的路徑 :return: ''' with tf.Graph().as_default(): output_graph_def = tf.GraphDef() with open(pb_path, "rb") as f: output_graph_def.ParseFromString(f.read()) tf.import_graph_def(output_graph_def, name="") with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 定義輸入的張量名稱,對應網絡結構的輸入張量 # input:0作為輸入圖像,keep_prob:0作為dropout的參數,測試時值為1,is_training:0訓練參數 input_image_tensor = sess.graph.get_tensor_by_name("input:0") input_keep_prob_tensor = sess.graph.get_tensor_by_name("keep_prob:0") input_is_training_tensor = sess.graph.get_tensor_by_name("is_training:0") # 定義輸出的張量名稱 output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0") # 讀取測試圖片 im=read_image(image_path,resize_height,resize_width,normalization=True) im=im[np.newaxis,:] # 測試讀出來的模型是否正確，注意這里傳入的是輸出和輸入節點的tensor的名字，不是操作節點的名字 # out=sess.run("InceptionV3/Logits/SpatialSqueeze:0", feed_dict={'input:0': im,'keep_prob:0':1.0,'is_training:0':False}) out=sess.run(output_tensor_name, feed_dict={input_image_tensor: im, input_keep_prob_tensor:1.0, input_is_training_tensor:False}) print("out:{}".format(out)) score = tf.nn.softmax(out, name='pre') class_id = tf.argmax(score, 1) print "pre class_id:{}".format(sess.run(class_id))
說明：
1、與ckpt預測不同的是，pb文件已經固化了網絡模型結構，因此，即使不知道原訓練模型（train）的源碼，我們也可以恢復網絡圖，並進行預測。恢復模型十分簡單，只需要從讀取的序列化數據中導入網絡結構即可：
tf.import_graph_def(output_graph_def, name="")
2、但必須知道原網絡模型的輸入和輸出的節點名稱（當然了，傳遞數據時，是通過輸入輸出的張量來完成的）。由於InceptionV3模型的輸入有三個節點，因此這里需要定義輸入的張量名稱，它對應網絡結構的輸入張量：
input_image_tensor = sess.graph.get_tensor_by_name("input:0")
input_keep_prob_tensor = sess.graph.get_tensor_by_name("keep_prob:0")
input_is_training_tensor = sess.graph.get_tensor_by_name("is_training:0")
以及輸出的張量名稱：
output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0")
3、預測時，需要feed輸入數據：
# 測試讀出來的模型是否正確，注意這里傳入的是輸出和輸入節點的tensor的名字，不是操作節點的名字
# out=sess.run("InceptionV3/Logits/SpatialSqueeze:0", feed_dict={'input:0': im,'keep_prob:0':1.0,'is_training:0':False})
out=sess.run(output_tensor_name, feed_dict={input_image_tensor: im,
input_keep_prob_tensor:1.0,
input_is_training_tensor:False})
4、其他網絡模型預測時，也可以通過修改輸入和輸出的張量的名稱 。
PS：注意張量的名稱，即為：節點名稱+“:”+“id號”，如"InceptionV3/Logits/SpatialSqueeze:0"
完整的CKPT 轉換成 PB格式和預測的代碼如下：
# -*-coding: utf-8 -*- """ @Project: tensorflow_models_nets @File : convert_pb.py @Author : panjq @E-mail : pan_jinquan@163.com @Date : 2018-08-29 17:46:50 @info : -通過傳入 CKPT 模型的路徑得到模型的圖和變量數據 -通過 import_meta_graph 導入模型中的圖 -通過 saver.restore 從模型中恢復圖中各個變量的數據 -通過 graph_util.convert_variables_to_constants 將模型持久化 """ import tensorflow as tf from create_tf_record import * from tensorflow.python.framework import graph_util resize_height = 299 # 指定圖片高度 resize_width = 299 # 指定圖片寬度 depths = 3 def freeze_graph_test(pb_path, image_path): ''' :param pb_path:pb文件的路徑 :param image_path:測試圖片的路徑 :return: ''' with tf.Graph().as_default(): output_graph_def = tf.GraphDef() with open(pb_path, "rb") as f: output_graph_def.ParseFromString(f.read()) tf.import_graph_def(output_graph_def, name="") with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 定義輸入的張量名稱,對應網絡結構的輸入張量 # input:0作為輸入圖像,keep_prob:0作為dropout的參數,測試時值為1,is_training:0訓練參數 input_image_tensor = sess.graph.get_tensor_by_name("input:0") input_keep_prob_tensor = sess.graph.get_tensor_by_name("keep_prob:0") input_is_training_tensor = sess.graph.get_tensor_by_name("is_training:0") # 定義輸出的張量名稱 output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0") # 讀取測試圖片 im=read_image(image_path,resize_height,resize_width,normalization=True) im=im[np.newaxis,:] # 測試讀出來的模型是否正確，注意這里傳入的是輸出和輸入節點的tensor的名字，不是操作節點的名字 # out=sess.run("InceptionV3/Logits/SpatialSqueeze:0", feed_dict={'input:0': im,'keep_prob:0':1.0,'is_training:0':False}) out=sess.run(output_tensor_name, feed_dict={input_image_tensor: im, input_keep_prob_tensor:1.0, input_is_training_tensor:False}) print("out:{}".format(out)) score = tf.nn.softmax(out, name='pre') class_id = tf.argmax(score, 1) print "pre class_id:{}".format(sess.run(class_id)) def freeze_graph(input_checkpoint,output_graph): ''' :param input_checkpoint: :param output_graph: PB模型保存路徑 :return: ''' # checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態是否可用 # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑 # 指定輸出的節點名稱,該節點名稱必須是原模型中存在的節點 output_node_names = "InceptionV3/Logits/SpatialSqueeze" saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) with tf.Session() as sess: saver.restore(sess, input_checkpoint) #恢復圖並得到數據 output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定 sess=sess, input_graph_def=sess.graph_def,# 等於:sess.graph_def output_node_names=output_node_names.split(","))# 如果有多個輸出節點，以逗號隔開 with tf.gfile.GFile(output_graph, "wb") as f: #保存模型 f.write(output_graph_def.SerializeToString()) #序列化輸出 print("%d ops in the final graph." % len(output_graph_def.node)) #得到當前圖有幾個操作節點 # for op in sess.graph.get_operations(): # print(op.name, op.values()) def freeze_graph2(input_checkpoint,output_graph): ''' :param input_checkpoint: :param output_graph: PB模型保存路徑 :return: ''' # checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態是否可用 # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑 # 指定輸出的節點名稱,該節點名稱必須是原模型中存在的節點 output_node_names = "InceptionV3/Logits/SpatialSqueeze" saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) graph = tf.get_default_graph() # 獲得默認的圖 input_graph_def = graph.as_graph_def() # 返回一個序列化的圖代表當前的圖 with tf.Session() as sess: saver.restore(sess, input_checkpoint) #恢復圖並得到數據 output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定 sess=sess, input_graph_def=input_graph_def,# 等於:sess.graph_def output_node_names=output_node_names.split(","))# 如果有多個輸出節點，以逗號隔開 with tf.gfile.GFile(output_graph, "wb") as f: #保存模型 f.write(output_graph_def.SerializeToString()) #序列化輸出 print("%d ops in the final graph." % len(output_graph_def.node)) #得到當前圖有幾個操作節點 # for op in graph.get_operations(): # print(op.name, op.values()) if __name__ == '__main__': # 輸入ckpt模型路徑 input_checkpoint='models/model.ckpt-10000' # 輸出pb模型的路徑 out_pb_path="models/pb/frozen_model.pb" # 調用freeze_graph將ckpt轉為pb freeze_graph(input_checkpoint,out_pb_path) # 測試pb模型 image_path = 'test_image/animal.jpg' freeze_graph_test(pb_path=out_pb_path, image_path=image_path)