Tensorflow中儲存成pb file 需要 使用函式

graph_util.convert_variables_to_constants(sess,sess.graph_def,

output_node_names=[]) []中需要填寫你需要儲存的結點。如果儲存的結點在神經網路中沒有被顯示定義該怎麼辦？

例如我使用了tf.contrib.slim或者keras，在tf的高層很多情況下都會這樣。

在寫神經網路時，只需要簡單的一層層傳導，一個slim.conv2d層就包含了kernal，bias，activation function，非常的方便，好處是網路結構一目瞭然，壞處是什麼呢？

在嘗試儲存pb的 output node names時，需要將最後的輸出結點儲存下來，與這個結點相關的，從輸入開始，經過層層傳遞的巢狀函式或者操作的相關結點，都會被儲存，但無效的例如 計算準確率，計算loss等，就可以省略了，因為儲存的pb主要是用來做預測的。

在準備檢視所有的結點名稱並選取儲存時，發現scope "local3"裡面僅有相關的weights 和biases，這兩個是單獨存在的，即儲存這兩個引數並沒有任何意義。

那麼這時候有兩種解決辦法：

方法一：

graph_util.convert_variables_to_constants(sess,output_node_names=[var.name[:-2] for var in tf.global_variables()])

那麼這個的意思是所有的variable的都被儲存下來 但函式中要求的是 node name 我們通過 global_variables獲得的是 變數名 並不是 節點名

（例如 output:0 就是變數名，又叫tensor name）

output就是 node name了。

在tensorboard中可以一窺究竟

通過這樣 也可以將 所有的變數全部儲存下來（但是你並不能使用，是因為你的output並沒有名字，所以你不可以通過常用的sess.graph.get_tensor_by_name來使用）

方法二：

那就是直接改寫神經網路了....當然了還是比較簡單的，只要改寫最後一個，改寫成output即可，tensorflow中無論是 變數、操作op、函式、都可以命名，那麼這個地方是一個簡單的全連線，僅需要將weights*net(上一層的輸出) +bias 即可，我們只要將bias相加的結果命名為 ouput即可：

with tf.name_scope('local3'):
 
  local3_weights = tf.Variable(tf.truncated_normal([4096,self.output_size],stddev=0.1))
 
  local3_bias = tf.Variable(tf.constant(0.1,shape=[self.output_size]))
 
result = tf.add(tf.matmul(net,local3_weights),local3_bias,name="output")

這樣將上述的convert_variables_to_constants中的output_node_names只需要填寫一個['output']即可，因為這一個output結點，需要從input開始，將所有的神經網路前向傳播的操作和引數全部儲存下來，因此儲存的結點數量 和 方法一儲存的結點數量是一樣的（console顯示都是 convert 24）。

完整的pb儲存為:(我是將ckpt讀入進來，然後存成pb的)

from tensorflow.python.platform import gfile
 
 
 
load_ckpt():
 
  path = './data/output/loss1.0/'
 
  print("read from ckpt")
 
  ckpt = tf.train.get_checkpoint_state(path)
 
  saver = tf.train.Saver()
 
  saver.restore(sess,ckpt.model_checkpoint_path)
 
 
 
def write2pb_file():
 
  constant_graph = graph_util.convert_variables_to_constants(sess,output_node_names=["output"])
 
  with tf.gfile.GFile(path+'loss1.0.pb',mode='wb') as f:
 
  f.write(constant_graph.SerializeToString())
 
  print("Model is saved as " + path+'loss1.0.pb')
 
 
 
def main():
 
  load_ckpt()
 
  write2pb_file()
 

如果是簡單的直接儲存，那就更簡單了。

pb檔案的read，很多人會將一個net寫成一個類，在引入的時候會將新建這個類，然後讀入ckpt檔案，這完全沒有問題，但是在讀取pb時，就會發生問題，因為pb中已經包含了圖與引數，引入時會建立一個預設的圖，但是net類中自己也會建立一個圖，那麼這時候你執行程式，引數其實並沒有使用.pb的檔案。

所以我們不能建立net類，然後直接讀入.pb檔案，對.pb檔案，通過如下程式碼，獲取.pb的graph中的輸入和輸出。

self.output = self.sess.graph.get_tensor_by_name("output:0")
 
self.input = self.sess.graph.get_tensor_by_name("images:0")

注意此時要加：0 因為你獲取的不再是結點了，而是一個真實的變數，我的理解是，結點相當於一個類，:0是物件，預設初始化值就是物件的初始化。

然後就可以通過self.sess.run(self.output(feed_dict={self.input: your_input})))執行你的網路了！

以上這篇tensorflow沒有output結點,儲存成pb檔案的例子就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。