ckpt转换成SavedModel
convert_ckpt_to_savermodel.py
代码语言：javascript复制import tensorflow as tf
import sys
trained_checkpoint_prefix = sys.argv[1]
export_dir = sys.argv[2]
graph = tf.Graph()
config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
with tf.compat.v1.Session(graph=graph, config=config) as sess:
# Restore from checkpoint
loader = tf.compat.v1.train.import_meta_graph(trained_checkpoint_prefix '.meta')
loader.restore(sess, trained_checkpoint_prefix)
# Export checkpoint to SavedModel
builder = tf.compat.v1.saved_model.builder.SavedModelBuilder(export_dir)
builder.add_meta_graph_and_variables(sess, [tf.saved_model.TRAINING, tf.saved_model.SERVING], strip_default_attrs=True)
builder.save()假设已经生成了ckpt模型
checkpoint hello_model.data-00000-of-00001 hello_model.index hello_model.meta
python ./convert_ckpt_to_savermodel.py hello_model ./save
会在save目录下生成
save ├── saved_model.pb └── variables ├── variables.data-00000-of-00001 └── variables.index
补充知识：tensorflow serving模型转换
tf serving是一款灵活的高性能机器学习服务系统，专为生产环境而设计。通过它可以轻松部署新算法和实验，同时保持服务框架和API不变。它提供了与tensorflow模型的即是可用集成，但很容易扩展以便服务其他类型的模型和数据。
tf serving的安装过程这里不多说，大家可以百度。
此处主要介绍tensorflow模型在docker中转换时的修改内容。
修改inception_saved_model.py文件中的内容，主要包括：image_size，NUM_CLASSES，SYNSET_FILE，METADATA_FILE变量的内容，必要时修改model_version，NUM_TOP_CLASSES。
修改inception_model.py文件中的内容，包括从nets文件夹中导入所需网络的信息，修改inference函数中对应的网络名称。
代码语言：javascript复制from nets.inception_v1 import inception_v1, inception_v1_arg_scope
with slim.arg_scope(inception_v1_arg_scope()):
logits, endpoints = inception_v1(
images,
dropout_keep_prob=0.8,
num_classes=num_classes,
is_training=for_training,
scope=scope)另，使用CUDA环境时，需要添加环境及bazel编译的配置项
export TF_NEED_CUDA=1 bazel build -c opt –config=cuda tf_models/slim:inception_saved_model
ps，关于gpu的设置如下：
代码语言：javascript复制export CUDA_VISIBLE_DEVICES='0,1' #shell环境
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1" #python环境以上这篇tensorflow转换ckpt为savermodel模型的实现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。
