ckpt转换成SavedModel

convert_ckpt_to_savermodel.py

import tensorflow as tfimport 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。

from nets.inception_v1 import inception_v1, inception_v1_arg_scopewith 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：

export CUDA_VISIBLE_DEVICES='0,1' #shell环境 import osos.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，也希望大家多多支持。