Tensorflow 使用pb文件保存(恢复)模型计算图和参数实例详解
作者:brooknew 发布时间:2023-12-13 05:42:06
标签:Tensorflow,pb,保存模型,计算图
一、保存:
graph_util.convert_variables_to_constants 可以把当前session的计算图串行化成一个字节流(二进制),这个函数包含三个参数:参数1:当前活动的session,它含有各变量
参数2:GraphDef 对象,它描述了计算网络
参数3:Graph图中需要输出的节点的名称的列表
返回值:精简版的GraphDef 对象,包含了原始输入GraphDef和session的网络和变量信息,它的成员函数SerializeToString()可以把这些信息串行化为字节流,然后写入文件里:
constant_graph = graph_util.convert_variables_to_constants( sess, sess.graph_def , ['sum_operation'] )
with open( pbName, mode='wb') as f:
f.write(constant_graph.SerializeToString())
需要指出的是,如果原始张量(包含在参数1和参数2中的组成部分)不参与参数3指定的输出节点列表所指定的张量计算的话,这些张量将不会存在返回的GraphDef对象里,也不会被串行化写入pb文件。
二、恢复:
恢复时,创建一个GraphDef,然后从上述的文件里加载进来,接着输入到当前的session:
graph0 = tf.GraphDef()
with open( pbName, mode='rb') as f:
graph0.ParseFromString( f.read() )
tf.import_graph_def( graph0 , name = '' )
三、代码:
import tensorflow as tf
from tensorflow.python.framework import graph_util
pbName = 'graphA.pb'
def graphCreate() :
with tf.Session() as sess :
var1 = tf.placeholder ( tf.int32 , name='var1' )
var2 = tf.Variable( 20 , name='var2' )#实参name='var2'指定了操作名,该操作返回的张量名是在
#'var2'后面:0 ,即var2:0 是返回的张量名,也就是说变量
# var2的名称是'var2:0'
var3 = tf.Variable( 30 , name='var3' )
var4 = tf.Variable( 40 , name='var4' )
var4op = tf.assign( var4 , 1000 , name = 'var4op1' )
sum = tf.Variable( 4, name='sum' )
sum = tf.add ( var1 , var2, name = 'var1_var2' )
sum = tf.add( sum , var3 , name='sum_var3' )
sumOps = tf.add( sum , var4 , name='sum_operation' )
oper = tf.get_default_graph().get_operations()
with open( 'operation.csv','wt' ) as f:
s = 'name,type,output\n'
f.write( s )
for o in oper:
s = o.name
s += ','+ o.type
inp = o.inputs
oup = o.outputs
for iip in inp :
s #s += ','+ str(iip)
for iop in oup :
s += ',' + str(iop)
s += '\n'
f.write( s )
for var in tf.global_variables():
print('variable=> ' , var.name) #张量是tf.Variable/tf.Add之类操作的结果,
#张量的名字使用操作名加:0来表示
init = tf.global_variables_initializer()
sess.run( init )
sess.run( var4op )
print('sum_operation result is Tensor ' , sess.run( sumOps , feed_dict={var1:1}) )
constant_graph = graph_util.convert_variables_to_constants( sess, sess.graph_def , ['sum_operation'] )
with open( pbName, mode='wb') as f:
f.write(constant_graph.SerializeToString())
def graphGet() :
print("start get:" )
with tf.Graph().as_default():
graph0 = tf.GraphDef()
with open( pbName, mode='rb') as f:
graph0.ParseFromString( f.read() )
tf.import_graph_def( graph0 , name = '' )
with tf.Session() as sess :
init = tf.global_variables_initializer()
sess.run(init)
v1 = sess.graph.get_tensor_by_name('var1:0' )
v2 = sess.graph.get_tensor_by_name('var2:0' )
v3 = sess.graph.get_tensor_by_name('var3:0' )
v4 = sess.graph.get_tensor_by_name('var4:0' )
sumTensor = sess.graph.get_tensor_by_name("sum_operation:0")
print('sumTensor is : ' , sumTensor )
print( sess.run( sumTensor , feed_dict={v1:1} ) )
graphCreate()
graphGet()
四、保存pb函数代码里的操作名称/类型/返回的张量:
operation name | operation type | output | ||
var1 | Placeholder | Tensor("var1:0" | dtype=int32) | |
var2/initial_value | Const | Tensor("var2/initial_value:0" | shape=() | dtype=int32) |
var2 | VariableV2 | Tensor("var2:0" | shape=() | dtype=int32_ref) |
var2/Assign | Assign | Tensor("var2/Assign:0" | shape=() | dtype=int32_ref) |
var2/read | Identity | Tensor("var2/read:0" | shape=() | dtype=int32) |
var3/initial_value | Const | Tensor("var3/initial_value:0" | shape=() | dtype=int32) |
var3 | VariableV2 | Tensor("var3:0" | shape=() | dtype=int32_ref) |
var3/Assign | Assign | Tensor("var3/Assign:0" | shape=() | dtype=int32_ref) |
var3/read | Identity | Tensor("var3/read:0" | shape=() | dtype=int32) |
var4/initial_value | Const | Tensor("var4/initial_value:0" | shape=() | dtype=int32) |
var4 | VariableV2 | Tensor("var4:0" | shape=() | dtype=int32_ref) |
var4/Assign | Assign | Tensor("var4/Assign:0" | shape=() | dtype=int32_ref) |
var4/read | Identity | Tensor("var4/read:0" | shape=() | dtype=int32) |
var4op1/value | Const | Tensor("var4op1/value:0" | shape=() | dtype=int32) |
var4op1 | Assign | Tensor("var4op1:0" | shape=() | dtype=int32_ref) |
sum/initial_value | Const | Tensor("sum/initial_value:0" | shape=() | dtype=int32) |
sum | VariableV2 | Tensor("sum:0" | shape=() | dtype=int32_ref) |
sum/Assign | Assign | Tensor("sum/Assign:0" | shape=() | dtype=int32_ref) |
sum/read | Identity | Tensor("sum/read:0" | shape=() | dtype=int32) |
var1_var2 | Add | Tensor("var1_var2:0" | dtype=int32) | |
sum_var3 | Add | Tensor("sum_var3:0" | dtype=int32) | |
sum_operation | Add | Tensor("sum_operation:0" | dtype=int32) |
来源:https://blog.csdn.net/brooknew/article/details/83063512
![](https://www.aspxhome.com/images/zang.png)
![](https://www.aspxhome.com/images/jiucuo.png)
猜你喜欢
- 前言:str转换为json格式,前提一定需要保证这个str的格式和json是一致的,即左边最外层是大括号,右边的最外层是大括号。如果不一致,
- python中查找指定的字符串的方法如下:code#查询def selStr(): sStr1 = 'jsjtt.com
- 这学期有一门运筹学,讲的两大块儿:线性优化和非线性优化问题。在非线性优化问题这里涉及到拉格朗日乘子法,经常要算一些非常变态的线性方程,于是我
- Book表的数据显示id title price publish_id2 Linux &nb
- 两个并发事务同时访问数据库表相同的行时,可能存在以下三个问题:1、幻想读:事务T1读取一条指定where条件的语句,返回结果集。此时事务T2
- 1、合并列表(extend)跟元组一样,用加号(+)将两个列表加起来即可实现合并:In [1]: x=list(range(1, 13, 2
- 题目给定一个字符串,逐个翻转字符串中的每个单词。示例 1:输入: "the sky is blue"输出: "
- Matplotlib可以无缝的处理LaTex字体,在图中加入数学公式from matplotlib.patches import Polyg
- 代码如下:CREATE DATABASE 临时的 ON ( NAME='临时的_Data', FILENAME='h
- 简介  在现在的移动端App中,由于开发效率、需求频繁变更的需求情况下,经常有相关的运营需求,经常要进行更新,如果全部采用
- 功能:实现网页内容的即时编辑,增加页面的可用性、交互性。方法1:直接通过textarea标签实现,请运行下边代码:<!DOCTYPE
- 在基于互联网的应用中,程序经常需要自动地发送电子邮件。如:一个网站的注册系统会在用户注册时发送一封邮件来确认注册;当用户忘记登陆密码的时候,
- 利用图标工具(有很多)制作图标文件(favicon.ico)上传到网站所在的服务器的根目录下,这个文件必须是16*16大小的图标文件。当然,
- 我们使用的是QWebview模块,这里也主要是展示下QWebview的用法。之前在网上找了半天的解析网页的内容,都不是很清楚。这是核心代码:
- 官网: https://matplotlib.org一、版本# 01 matplotlib安装情况 import matplotlib ma
- <% Dim aData aData = Array(3,2,4,1,6
- 本文实例讲述了Python实现购物评论文本情感分析操作。分享给大家供大家参考,具体如下:昨晚上发现了snownlp这个库,很开心。先说说我开
- 有朋友使用DIV居中,但是却发现DIV居中失灵了,是怎么回事呢?下面给大家解决一下问题,呵呵!1、一般情况下DIV居中失效是因为没写DTD语
- 如下所示:import rec = re.compile(r'\d')s = 'you1are2welcome
- QueryCache(下面简称QC)是根据SQL语句来cache的。一个SQL查询如果以select开头,那么MySQL服务器将尝试对其使