时间:2021-05-22
由于项目需要,需要将TensorFlow保存的模型从ckpt文件转换为pb文件。
import osfrom tensorflow.python import pywrap_tensorflowfrom net2use import inception_resnet_v2_small#这里使用自己定义的模型函数即可import tensorflow as tfif __name__=='__main__': pb_file = "./model/output.pb" ckpt_file = "./model/model.ckpt-652900" '''这里的节点名字可能跟设想的有出入,最直接的方法是直接输出ckpt中保存的节点名字,然后对应着找节点名字,具体的进入convert_variables_to_constants函数的实现中graph_util_impl.py,130行的函数:_assert_nodes_are_present 添加代码 print('在图中的节点是:') for din in name_to_node: print('{},在图中'.format(din))然后运行代码,若正确就会直接保存;若失败则会保存失败,找好输出节点的名字,在output_node_names 中添加就好''' output_node_names = ["embedding"] with tf.name_scope('input'): image = tf.placeholder(tf.float32,shape=(None,79,199,1),name='input_image') net, endpoints=inception_resnet_v2_small(image, is_training=False) embedding = tf.nn.l2_normalize(net,1,1e-10,name='embedding') config=tf.ConfigProto(allow_soft_placement=True) config.gpu_options.per_process_gpu_memory_fraction = 0.45 sess = tf.Session(config = config) saver = tf.train.Saver() saver.restore(sess, ckpt_file) print('read success') converted_graph_def = tf.graph_util.convert_variables_to_constants(sess, input_graph_def = sess.graph.as_graph_def(), output_node_names = output_node_names) with tf.gfile.GFile(pb_file, "wb") as f: f.write(converted_graph_def.SerializeToString()) print('保存成功')以上这篇TensorFlow实现checkpoint文件转换为pb文件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,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
1.tensorflow模型文件打包成PB文件importtensorflowastffromtensorflow.python.toolsimportfree
2017年底,Tensorflow推出Lite版本,可实现移动端的快速运行,其中,一个很关键的问题,如何把现有分类模型(.pb)转换为(.lite)模型呢?其实
最近在学习tensorflow自带的量化工具的相关知识,其中遇到的一个问题是从tensorflow保存好的ckpt文件或者是保存后的.pb文件(这里的pb是把权
本博客实现将自己训练保存的ckpt模型转换为pb文件,该方法适用于任何ckpt模型,当然你需要确定ckpt模型输入/输出的节点名称。使用tf.train.sav
tensorflow中如果要对神经网络模型进行训练,需要把训练数据转换为tfrecord格式才能被读取,tensorflow的model文件里直接提供了相应的脚