import tensorflow as tf
import os
from tensorflow.python.tools import freeze_graph
from model import network # network是你們自己定義的模型結構（代碼結構）
# egs:
# def network(input)：
# return tf.layers.softmax(input)
 
model_path = "model.ckpt-0000" #設置model的路徑，因新版tensorflow會生成三個文件，只需寫到數(shù)字前
 
def main():
 tf.reset_default_graph()
 # 設置輸入網絡的數(shù)據(jù)維度，根據(jù)訓練時的模型輸入數(shù)據(jù)的維度自行修改
 input_node = tf.placeholder(tf.float32, shape=(None, None, 200)) 
 output_node = network(input_node) # 神經網絡的輸出
 # 設置輸出數(shù)據(jù)類型（特別注意，這里必須要跟輸出網絡參數(shù)的數(shù)據(jù)格式保持一致，不然會導致模型預測  精度或者預測能力的丟失）以及重新定義輸出節(jié)點的名字（這樣在后面保存pb文件以及之后使用pb文件時直接使用重新定義的節(jié)點名字即可）
 flow = tf.cast(output_node , tf.float16, 'the_outputs') 
 saver = tf.train.Saver()
 with tf.Session() as sess:
 saver.restore(sess, model_path)
 #保存模型圖（結構），為一個json文件
 tf.train.write_graph(sess.graph_def, 'output_model/pb_model', 'model.pb')
 #將模型參數(shù)與模型圖結合，并保存為pb文件
 freeze_graph.freeze_graph('output_model/pb_model/model.pb', '', False, model_path, 'the_outputs','save/restore_all', 'save/Const:0', 'output_model/pb_model/frozen_model.pb', False, "")
 print("done")
if __name__ == '__main__':
 main()

def freeze_graph(input_checkpoint,output_graph):
 '''
 :param input_checkpoint:
 :param output_graph: PB模型保存路徑
 :return:
 '''
 # checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態(tài)是否可用
 # input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑
 
 # 指定輸出的節(jié)點名稱,該節(jié)點名稱必須是原模型中存在的節(jié)點
 output_node_names = "InceptionV3/Logits/SpatialSqueeze"
 saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
 graph = tf.get_default_graph() # 獲得默認的圖
 input_graph_def = graph.as_graph_def() # 返回一個序列化的圖代表當前的圖
 
 with tf.Session() as sess:
 saver.restore(sess, input_checkpoint) #恢復圖并得到數(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，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)) #得到當前圖有幾個操作節(jié)點
 
 # for op in graph.get_operations():
 # print(op.name, op.values())
 
if __name__ == '__main__':
 # 輸入ckpt模型路徑
 input_checkpoint='models/model.ckpt-10000'
 # 輸出pb模型的路徑
 out_pb_path="models/pb/frozen_model.pb"
 # 調用freeze_graph將ckpt轉為pb
 freeze_graph(input_checkpoint,out_pb_path)