標(biāo)簽：tensorflow
作者：煉己者

本博客所有內(nèi)容以學(xué)習(xí)、研究和分享為主，如需轉(zhuǎn)載，請聯(lián)系本人，標(biāo)明作者和出處，并且是非商業(yè)用途，謝謝！

1.摘要

為什么好好的ckpt模型我要把它轉(zhuǎn)為pb模型呢？因?yàn)槲掖蛩惆裵ython版本的代碼轉(zhuǎn)化為c++版本，最好的方法就是把python訓(xùn)練好的模型直接移植過去。但是ckpt模型不能用，所以我要想辦法把訓(xùn)練好的ckpt模型轉(zhuǎn)化為pb模型，然后再用c++調(diào)用這個模型。

2.ckpt轉(zhuǎn)化為pb

我們用tensorflow訓(xùn)練模型，一般是用tf.train.Saver()保存模型，然后得到多個文件，一般長這個樣子

這四個文件主要是記錄了神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及這個結(jié)構(gòu)中涉及到的權(quán)重參數(shù)等內(nèi)容。

具體怎么轉(zhuǎn)呢？詳細(xì)代碼看ckpt轉(zhuǎn)化為pb
點(diǎn)進(jìn)去之后，直接clone即可。然后可以得到以下文件

checkpoints里面裝著模型文件，點(diǎn)進(jìn)去會發(fā)現(xiàn)里面有一個textcnn文件夾，這里面裝著ckpt模型的四個文件。通過convert_ckpt_to_pb.py可以得到pb模型文件，這個文件也保存在checkpoints文件夾中，是frozen_model.pb。

def freeze_graph(input_checkpoint,output_graph):
    '''
    :param input_checkpoint:
    :param output_graph: PB模型保存路徑
    :return:
    '''
    # 指定輸出的節(jié)點(diǎn)名稱,該節(jié)點(diǎn)名稱必須是原模型中存在的節(jié)點(diǎn)
    # 直接用最后輸出的節(jié)點(diǎn)，可以在tensorboard中查找到，tensorboard只能在linux中使用
    output_node_names = "score/output"
    saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
    graph = tf.get_default_graph() # 獲得默認(rèn)的圖
    input_graph_def = graph.as_graph_def()  # 返回一個序列化的圖代表當(dāng)前的圖
 
    with tf.Session() as sess:
        saver.restore(sess, input_checkpoint) #恢復(fù)圖并得到數(shù)據(jù)
        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,# 等于:sess.graph_def
            output_node_names=output_node_names.split(","))# 如果有多個輸出節(jié)點(diǎn)，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(dāng)前圖有幾個操作節(jié)點(diǎn)

代碼很簡單，里面你唯一要改動的就是output_node_names，指定的最后一層輸出節(jié)點(diǎn)名稱，這個是你自己設(shè)定的。怎么找到它呢？首先你要去查看你的代碼，
下面的代碼是我自己定義的，你可以點(diǎn)擊 訓(xùn)練ckpt模型，clone到本地，然后你會找到cnn_model.py這個文件，這里面就是定義著我的cnn模型

        with tf.name_scope("score"):
            # 全連接層，后面接dropout以及relu激活
            fc = tf.layers.dense(gmp, self.config.hidden_dim, name='fc1')
            fc = tf.contrib.layers.dropout(fc, self.keep_prob)
            fc = tf.nn.relu(fc)

            # 分類器
            self.logits = tf.layers.dense(fc, self.config.num_classes, name='fc2')
            self.y_pred_cls = tf.argmax(tf.nn.softmax(self.logits), 1,name='output')  # 預(yù)測類別

我一開始也沒明白，然后翻閱大量資料才發(fā)現(xiàn)的，這個要自己改動，記得是最后輸出的那層，你要自己把這個節(jié)點(diǎn)命名出來。另外怎么才能確定你得圖結(jié)構(gòu)里有這個節(jié)點(diǎn)呢？去查看tensorboard。不知道為啥在windows下得到的tensorboard查看不了，得到的是亂碼文件。在linux下就不會，所以我把代碼放到linux環(huán)境下跑，就可以得到tensoboard了。現(xiàn)在要跑的這個代碼是指你自己訓(xùn)練ckpt模型的代碼，如果你的tensorboard可以查看，那么就不用重新到linux環(huán)境下跑了。

查看tensorboard

tensorboard --logdir = “保存tensorboard的絕對路徑”

敲入上面的命令，然后就可以得到一個網(wǎng)址，把這個網(wǎng)址復(fù)制到瀏覽器上打開，就可以得到圖的結(jié)構(gòu)，然后你點(diǎn)開看看，有沒有output這個節(jié)點(diǎn)，也可以順便看一下你自己的網(wǎng)絡(luò)圖
查看tensorboard的方法可以看這篇博客，TensorBoard：計算圖的查看

有的話，把節(jié)點(diǎn)寫入output_node_names，改這一個就行了。
改好之后，運(yùn)行這個文件，便可以得到pb模型了。

3.pb模型文件測試數(shù)據(jù)

然后怎么用pb模型像ckpt模型那樣來測試呢？c++版本的我還沒開始做，但是Python版本的可以跑通測試了。這意味著我離c++跑通更進(jìn)一步了。
這個具體去看pb_test.py文件，里面有很完整的注釋。網(wǎng)上很多都是針對圖像的資料，我這里是針對的文本的，相信對大家會有所幫助！
另外注意tensorflow是一個batch一個batch的逐批次輸入，一次性輸入的話會報內(nèi)存錯誤！

4.總結(jié)

這兩份代碼大家可以對著看，很相似，理解怎么訓(xùn)練出來的ckpt模型，又是怎么把ckpt模型轉(zhuǎn)化為pb模型的，怎么用pb模型去測試數(shù)據(jù)，代碼很好理解的。有不懂的歡迎在博客下面評論提問，我們一起交流解決
等后期我用c++調(diào)用pb模型成功后，再來和大家分享?。。?/p>

以下是我所有文章的目錄，大家如果感興趣，也可以前往查看
??戳右邊：打開它，也許會看到很多對你有幫助的文章