兩種Tensorflow模型保存的方法

在Ｔｅｎｓｏｒｆｌｏｗ中，有兩種保存模型的方法：一種是Ｃｈｅｃｋｐｏｉｎｔ，另一種是Ｐｒｏｔｏｂｕｆ，也就是ＰＢ格式；

一．　Ｃｈｅｃｋｐｏｉｎｔ方法：

　　　１．保存時使用方法：

                  tf.train.Saver()

           　　生成四個文件：

　　　　　　　checkpoint                 檢查點文件

                 　　model.ckpt.data-xxx　參數值

                　　 model.ckpt.index　　　各個參數

                　　 model.ckpt.meta　　　圖的結構

　　　２．恢復時使用方法：

　　　　　saver.restore()　：模型文件依賴Ｔｅｎｓｏｒｆｌｏｗ，只能在其框架下使用，恢復模型之前需要定義下網絡結構

                  saver=tf.train.import_meta_graph('./ckpt/mode..ckpt.meta')  :直接加載網絡結構，不需要重新定義網絡

二．　ＰＢ方法：

　　１．　保存模型為ＰＢ文件（谷歌推薦），具有語言獨立性，可獨立運行，序列化的格式，任何語言可解析它，允許其他語言和框架讀取，訓練和遷移；模型變量是固定的，模型大小會大大減少，適合在手機端運行；

　　２．　實現創建模型與使用模型的解耦，使得前向推導Ｉｎｆｅｒｅｎｃｅ代碼統一；

　　３．　ＰＢ文件表示ＭｅｔａＧｒａｐｈ的protocol buffer格式的文件；

　　４．　ＧｒａｐｈＤｅｆ　不保存任何Ｖａｒｉａｂｌｅ信息，不能從graph_def 來構建圖並恢復訓練．　

       一般情況下，ＰＢ可直接生成；

       當然也可以從checkpoint文件中生成，代碼如下：

output_graph = os.path.join('./checkpoint/','frozen_graph.pb')
input_checkpoint = os.path.join('./checkpoint/','model.ckpt-xxxxx') 　＃［xxxxxx為訓練生成的ｓｔｅｐ號］
saver = tf.train.import_meta_graph(input_checkpoint+'.meta',clear_devices=True)
graph = tf.get_default_graph()
input_graph_def = graph.as_graph_def

for op in graph.get_operations():
    print("checkpoint2pb",op.name,op.values())

variable_names = [v.name for v in tf.trainable_variables()］
pirnt("trainalbe_variables:",variable_names)

output_node_name=['fc2/add']  #fc2/add 上面的列表里需要存在該操作

with tf.Session() as sess:
    saver.restore(sess,input_checkpoint)

    output_graph_def = graph_util.convert_variables_to_constants(sess=sess,
                    input_graph_def = input_graph_def,
                    output_node_names = output_node_name)

    with tf.gfile.GFile(output_graph,"wb") as f:
        f.write(output_graph_def.SerializeToString())