前言
TensorFlow目前在移动端是无法training的，只能跑已经训练好的模型，但一般的保存方式只有单一保存参数或者graph的，如何将参数、graph同时保存呢？
生成模型
主要有两种方法生成模型，一种是通过freeze_graph把tf.train.write_graph()生成的pb文件与tf.train.saver()生成的chkp文件固化之后重新生成一个pb文件，这一种现在不太建议使用。另一种是把变量转成常量之后写入PB文件中。我们简单的介绍下freeze_graph方法。
freeze_graph
这种方法我们需要先使用tf.train.write_graph()以及tf.train.saver()生成pb文件和ckpt文件，代码如下：
代码语言：javascript复制with tf.Session() as sess:
saver = tf.train.Saver()
saver.save(session, "model.ckpt")
tf.train.write_graph(session.graph_def, '', 'graph.pb')然后使用TensorFlow源码中的freeze_graph工具进行固化操作:
首先需要build freeze_graph 工具( 需要 bazel )：
bazel build tensorflow/python/tools:freeze_graph
然后使用这个工具进行固化（/path/to/表示文件路径）：
bazel-bin/tensorflow/python/tools/freeze_graph –input_graph=/path/to/graph.pb –input_checkpoint=/path/to/model.ckpt –output_node_names=output/predict –output_graph=/path/to/frozen.pb convert_variables_to_constants
其实在TensorFlow中传统的保存模型方式是保存常量以及graph的，而我们的权重主要是变量，如果我们把训练好的权重变成常量之后再保存成PB文件，这样确实可以保存权重，就是方法有点繁琐，需要一个一个调用eval方法获取值之后赋值，再构建一个graph，把W和b赋值给新的graph。
牛逼的Google为了方便大家使用，编写了一个方法供我们快速的转换并保存。
首先我们需要引入这个方法
from tensorflow.python.framework.graph_util import convert_variables_to_constants
在想要保存的地方加入如下代码，把变量转换成常量
output_graph_def = convert_variables_to_constants(sess, sess.graph_def, output_node_names=[‘output/predict’])
这里参数第一个是当前的session，第二个为graph，第三个是输出节点名（如我的输出层代码是这样的：）
代码语言：javascript复制 with tf.name_scope('output'):
w_out = tf.Variable(w_alpha * tf.random_normal([1024, MAX_CAPTCHA * CHAR_SET_LEN]))
tf.summary.histogram('output/weight', w_out)
b_out = tf.Variable(b_alpha * tf.random_normal([MAX_CAPTCHA * CHAR_SET_LEN]))
tf.summary.histogram('output/biases', b_out)
out = tf.add(tf.matmul(dense2, w_out), b_out)
out = tf.nn.softmax(out)
predict = tf.argmax(tf.reshape(out, [-1, 11, 36]), 2, name='predict')由于我们采用了name_scope所以我们在predict之前需要加上output/
生成文件
with tf.gfile.FastGFile(‘model/CTNModel.pb’, mode=’wb’) as f: f.write(output_graph_def.SerializeToString())
第一个参数是文件路径，第二个是指文件操作的模式，这里指的是以二进制的方式写入文件。
运行代码，系统会生成一个PB文件，接下来我们要测试下这个模型是否能够正常的读取、运行。
测试模型
在Python环境下，我们首先需要加载这个模型，代码如下：
代码语言：javascript复制with open('./model/rounded_graph.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
output = tf.import_graph_def(graph_def,
input_map={'inputs/X:0': newInput_X},
return_elements=['output/predict:0'])由于我们原本的网络输入值是一个placeholder，这里为了方便输入我们也先定义一个新的placeholder：
newInput_X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT * IMAGE_WIDTH], name=”X”)
在input_map的参数填入新的placeholder。
在调用我们的网络的时候直接用这个新的placeholder接收数据，如：
text_list = sesss.run(output, feed_dict={newInput_X: [captcha_image]})
然后就是运行我们的网络，看是否可以运行吧。
以上这篇TensorFlow固化模型的实现操作就是小编分享给大家的全部内容了，希望能给大家一个参考。
