淺談tensorflow模型保存為pb的各種姿勢

更新時(shí)間：2020年05月25日 09:42:29 作者：googler_offer

這篇文章主要介紹了淺談tensorflow模型保存為pb的各種姿勢，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧

一，直接保存pb

1, 首先我們當(dāng)然可以直接在tensorflow訓(xùn)練中直接保存為pb為格式，保存pb的好處就是使用場景是實(shí)現(xiàn)創(chuàng)建模型與使用模型的解耦，使得創(chuàng)建模型與使用模型的解耦，使得前向推導(dǎo)inference代碼統(tǒng)一。另外的好處就是保存為pb的時(shí)候，模型的變量會(huì)變成固定的，導(dǎo)致模型的大小會(huì)大大減小。

這里稍稍解釋下pb：是MetaGraph的protocol buffer格式的文件，MetaGraph包括計(jì)算圖，數(shù)據(jù)流，以及相關(guān)的變量和輸入輸出

主要使用tf.SavedModelBuilder來完成這個(gè)工作，并且可以把多個(gè)計(jì)算圖保存到一個(gè)pb文件中，如果有多個(gè)MetaGraph，那么只會(huì)保留第一個(gè)MetaGraph的版本號(hào)。

保持pb的文件代碼：

import tensorflow as tf
import os
from tensorflow.python.framework import graph_util
 
pb_file_path = os.getcwd()
 
with tf.Session(graph=tf.Graph()) as sess:
 x = tf.placeholder(tf.int32, name='x')
 y = tf.placeholder(tf.int32, name='y')
 b = tf.Variable(1, name='b')
 xy = tf.multiply(x, y)
 # 這里的輸出需要加上name屬性
 op = tf.add(xy, b, name='op_to_store')
 
 sess.run(tf.global_variables_initializer())
 
 # convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè)
 constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
 
 # 測試 OP
 feed_dict = {x: 10, y: 3}
 print(sess.run(op, feed_dict))
 
 # 寫入序列化的 PB 文件
 with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f:
  f.write(constant_graph.SerializeToString())
 
 # 輸出
 # INFO:tensorflow:Froze 1 variables.
 # Converted 1 variables to const ops.
 # 31

其實(shí)主要是：

 # convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè)
 constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])

 # 寫入序列化的 PB 文件
 with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f:
  f.write(constant_graph.SerializeToString())

1.1 加載測試代碼

from tensorflow.python.platform import gfile
 
sess = tf.Session()
with gfile.FastGFile(pb_file_path+'model.pb', 'rb') as f:
 graph_def = tf.GraphDef()
 graph_def.ParseFromString(f.read())
 sess.graph.as_default()
 tf.import_graph_def(graph_def, name='') # 導(dǎo)入計(jì)算圖
 
# 需要有一個(gè)初始化的過程 
sess.run(tf.global_variables_initializer())
 
# 需要先復(fù)原變量
print(sess.run('b:0'))
# 1
 
# 輸入
input_x = sess.graph.get_tensor_by_name('x:0')
input_y = sess.graph.get_tensor_by_name('y:0')
 
op = sess.graph.get_tensor_by_name('op_to_store:0')
 
ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})
print(ret)
# 輸出 26

2，第二種就是采用上述的那API來進(jìn)行保存

import tensorflow as tf
import os
from tensorflow.python.framework import graph_util
 
pb_file_path = os.getcwd()
 
with tf.Session(graph=tf.Graph()) as sess:
 x = tf.placeholder(tf.int32, name='x')
 y = tf.placeholder(tf.int32, name='y')
 b = tf.Variable(1, name='b')
 xy = tf.multiply(x, y)
 # 這里的輸出需要加上name屬性
 op = tf.add(xy, b, name='op_to_store')
 
 sess.run(tf.global_variables_initializer())
 
 # convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè)
 constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
 
 # 測試 OP
 feed_dict = {x: 10, y: 3}
 print(sess.run(op, feed_dict))
 
 # 寫入序列化的 PB 文件
 with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f:
  f.write(constant_graph.SerializeToString())
 
 # INFO:tensorflow:Froze 1 variables.
 # Converted 1 variables to const ops.
 # 31
 
 
 # 官網(wǎng)有誤，寫成了 saved_model_builder 
 builder = tf.saved_model.builder.SavedModelBuilder(pb_file_path+'savemodel')
 # 構(gòu)造模型保存的內(nèi)容，指定要保存的 session，特定的 tag, 
 # 輸入輸出信息字典，額外的信息
 builder.add_meta_graph_and_variables(sess,
          ['cpu_server_1'])
 
# 添加第二個(gè) MetaGraphDef 
#with tf.Session(graph=tf.Graph()) as sess:
# ...
# builder.add_meta_graph([tag_constants.SERVING])
#...
 
builder.save() # 保存 PB 模型

核心就是采用了：

 # 官網(wǎng)有誤，寫成了 saved_model_builder 
 builder = tf.saved_model.builder.SavedModelBuilder(pb_file_path+'savemodel')
 # 構(gòu)造模型保存的內(nèi)容，指定要保存的 session，特定的 tag, 
 # 輸入輸出信息字典，額外的信息
 builder.add_meta_graph_and_variables(sess,
          ['cpu_server_1'])

2.1 對應(yīng)的測試代碼為：

with tf.Session(graph=tf.Graph()) as sess:
 tf.saved_model.loader.load(sess, ['cpu_1'], pb_file_path+'savemodel')
 sess.run(tf.global_variables_initializer())
 
 input_x = sess.graph.get_tensor_by_name('x:0')
 input_y = sess.graph.get_tensor_by_name('y:0')
 
 op = sess.graph.get_tensor_by_name('op_to_store:0')
 
 ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})
 print(ret)
# 只需要指定要恢復(fù)模型的 session，模型的 tag，模型的保存路徑即可,使用起來更加簡單

這樣和之前的導(dǎo)入pb模型一樣，也是要知道tensor的name，那么如何在不知道tensor name的情況下使用呢，給add_meta_graph_and_variables方法傳入第三個(gè)參數(shù)，signature_def_map即可。

二，從ckpt進(jìn)行加載

使用tf.train.saver()保持模型的時(shí)候會(huì)產(chǎn)生多個(gè)文件，會(huì)把計(jì)算圖的結(jié)構(gòu)和圖上參數(shù)取值分成了不同文件存儲(chǔ)，這種方法是在TensorFlow中最常用的保存方式：

import tensorflow as tf
# 聲明兩個(gè)變量
v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
init_op = tf.global_variables_initializer() # 初始化全部變量
saver = tf.train.Saver() # 聲明tf.train.Saver類用于保存模型
with tf.Session() as sess:
 sess.run(init_op)
 print("v1:", sess.run(v1)) # 打印v1、v2的值一會(huì)讀取之后對比
 print("v2:", sess.run(v2))
 saver_path = saver.save(sess, "save/model.ckpt") # 將模型保存到save/model.ckpt文件
 print("Model saved in file:", saver_path)

checkpoint是檢查點(diǎn)的文件，文件保存了一個(gè)目錄下所有的模型文件列表

model.ckpt.meta文件保存了Tensorflow計(jì)算圖的結(jié)果，可以理解為神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，該文件可以被tf.train.import_meta_graph加載到當(dāng)前默認(rèn)的圖來使用

ckpt.data是保存模型中每個(gè)變量的取值

方法一， tensorflow提供了convert_variables_to_constants()方法，改方法可以固化模型結(jié)構(gòu)，將計(jì)算圖中的變量取值以常量的形式保存

ckpt轉(zhuǎn)換pb格式過程如下：

1，通過傳入ckpt模型的路徑得到模型的圖和變量數(shù)據(jù)

2，通過import_meta_graph導(dǎo)入模型中的圖

3，通過saver.restore從模型中恢復(fù)圖中各個(gè)變量的數(shù)據(jù)

4，通過graph_util.convert_variables_to_constants將模型持久化

import tensorflow as tf 
from tensorflow.python.framework import graph_util
from tensorflow.pyton.platform import gfile
 
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(diǎn)名稱,該節(jié)點(diǎn)名稱必須是原模型中存在的節(jié)點(diǎn)
 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(rèn)的圖
 input_graph_def = graph.as_graph_def() # 返回一個(gè)序列化的圖代表當(dāng)前的圖
 
 with tf.Session() as sess:
  saver.restore(sess, input_checkpoint) #恢復(fù)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(gè)輸出節(jié)點(diǎn)，以逗號(hào)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(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
 
  # for op in graph.get_operations():
  #  print(op.name, op.values())

函數(shù)freeze_graph中，最重要的就是指定輸出節(jié)點(diǎn)的名稱，這個(gè)節(jié)點(diǎn)名稱是原模型存在的結(jié)點(diǎn)，注意節(jié)點(diǎn)名稱與張量名稱的區(qū)別：

如：“input:0”是張量的名稱，而“input”表示的是節(jié)點(diǎn)的名稱

源碼中通過graph = tf.get_default_graph()獲得默認(rèn)圖，這個(gè)圖就是由saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)恢復(fù)的圖，因此就必須執(zhí)行tf.train.import_meta_graph，再執(zhí)行tf.get_default_graph()

1.2 一個(gè)小工具

tensorflow打印pb模型的所有節(jié)點(diǎn)

from tensorflow.python.framework import tensor_util
from google.protobuf import text_format 
import tensorflow as tf 
from tensorflow.python.platform import gfile 
from tensorflow.python.framework import tensor_util
 
pb_path = './model.pb'
 
with tf.Session() as sess:
 with gfile.FastGFile(pb_path,'rb') as f:
  graph_def = tf.GraphDef()
 
  graph_def.ParseFromString(f.read())
  tf.import_graph_def(graph_def,name='')
  for i,n in enumerate(graph_def.node):
   print("Name of the node -%s"%n.name)
tensorflow打印ckpt的所有節(jié)點(diǎn)

from tensorflow.python import pywrap_tensorflow
checkpoint_path = './_checkpoint/hed.ckpt-130'
 
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
for key in var_to_shape_map:
 print("tensor_name:",key)

方法二，除了上述辦法外還有一種是需要通過源碼的，這樣既可以得到輸出節(jié)點(diǎn)，還可以自定義輸入節(jié)點(diǎn)。

import tensorflow as tf 
 
def model(input):
 net = tf.layers.conv2d(input,filters=32,kernel_size=3)
 net = tf.layers.batch_normalization(net,fused=False)
 net = tf.layers.separable_conv2d(net,32,3)
 net = tf.layers.conv2d(net,filters=32,kernel_size=3,name='output')
 
 return net 
 
input_node = tf.placeholder(tf.float32,[1,480,480,3],name = 'image')
output_node_names = 'head_neck_count/BiasAdd'
ckpt = ckpt_path 
pb = pb_path 
 
with tf.Session() as sess:
 model1 = model(input_node)
 sess.run(tf.global_variables_initializer())
 output_node_names = 'output/BiasAdd'
 
 input_graph_def = tf.get_default_graph().as_graph_def()
 output_graph_def = tf.graph_util.convert_variables_to_constants(sess,input_graph_def,output_node_names.split(','))
 
with tf.gfile.GFile(pb,'wb') as f:
 f.write(output_graph_def.SerializeToString())

注意：

節(jié)點(diǎn)名稱和張量名稱區(qū)別

類似于output是節(jié)點(diǎn)名稱

類似于output:0是張量名稱

方法三，其實(shí)是方法一的延伸可以配合tensorflow自帶的一些工具來進(jìn)行完成

freeze_graph

總共有11個(gè)參數(shù)，一個(gè)個(gè)介紹下(必選：表示必須有值；可選：表示可以為空)：

1、input_graph：（必選）模型文件，可以是二進(jìn)制的pb文件，或文本的meta文件，用input_binary來指定區(qū)分（見下面說明）

2、input_saver：（可選）Saver解析器。保存模型和權(quán)限時(shí)，Saver也可以自身序列化保存，以便在加載時(shí)應(yīng)用合適的版本。主要用于版本不兼容時(shí)使用?？梢詾榭?，為空時(shí)用當(dāng)前版本的Saver。

3、input_binary：（可選）配合input_graph用，為true時(shí)，input_graph為二進(jìn)制，為false時(shí)，input_graph為文件。默認(rèn)False

4、input_checkpoint：（必選）檢查點(diǎn)數(shù)據(jù)文件。訓(xùn)練時(shí)，給Saver用于保存權(quán)重、偏置等變量值。這時(shí)用于模型恢復(fù)變量值。

5、output_node_names：（必選）輸出節(jié)點(diǎn)的名字，有多個(gè)時(shí)用逗號(hào)分開。用于指定輸出節(jié)點(diǎn)，將沒有在輸出線上的其它節(jié)點(diǎn)剔除。

6、restore_op_name：（可選）從模型恢復(fù)節(jié)點(diǎn)的名字。升級版中已棄用。默認(rèn)：save/restore_all

7、filename_tensor_name：（可選）已棄用。默認(rèn)：save/Const:0

8、output_graph：（必選）用來保存整合后的模型輸出文件。

9、clear_devices：（可選），默認(rèn)True。指定是否清除訓(xùn)練時(shí)節(jié)點(diǎn)指定的運(yùn)算設(shè)備（如cpu、gpu、tpu。cpu是默認(rèn)）

10、initializer_nodes：（可選）默認(rèn)空。權(quán)限加載后，可通過此參數(shù)來指定需要初始化的節(jié)點(diǎn)，用逗號(hào)分隔多個(gè)節(jié)點(diǎn)名字。

11、variable_names_blacklist：（可先）默認(rèn)空。變量黑名單，用于指定不用恢復(fù)值的變量，用逗號(hào)分隔多個(gè)變量名字。

所以還是建議選擇方法三

導(dǎo)出pb后的測試代碼如下：下圖是比較完成的測試代碼與導(dǎo)出代碼。

# -*-coding: utf-8 -*-
"""
 @Project: tensorflow_models_nets
 @File : convert_pb.py
 @Author : panjq
 @E-mail : pan_jinquan@163.com
 @Date : 2018-08-29 17:46:50
 @info :
 -通過傳入 CKPT 模型的路徑得到模型的圖和變量數(shù)據(jù)
 -通過 import_meta_graph 導(dǎo)入模型中的圖
 -通過 saver.restore 從模型中恢復(fù)圖中各個(gè)變量的數(shù)據(jù)
 -通過 graph_util.convert_variables_to_constants 將模型持久化
"""
 
import tensorflow as tf
from create_tf_record import *
from tensorflow.python.framework import graph_util
 
resize_height = 299 # 指定圖片高度
resize_width = 299 # 指定圖片寬度
depths = 3
 
def freeze_graph_test(pb_path, image_path):
 '''
 :param pb_path:pb文件的路徑
 :param image_path:測試圖片的路徑
 :return:
 '''
 with tf.Graph().as_default():
  output_graph_def = tf.GraphDef()
  with open(pb_path, "rb") as f:
   output_graph_def.ParseFromString(f.read())
   tf.import_graph_def(output_graph_def, name="")
  with tf.Session() as sess:
   sess.run(tf.global_variables_initializer())
 
   # 定義輸入的張量名稱,對應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入張量
   # input:0作為輸入圖像,keep_prob:0作為dropout的參數(shù),測試時(shí)值為1,is_training:0訓(xùn)練參數(shù)
   input_image_tensor = sess.graph.get_tensor_by_name("input:0")
   input_keep_prob_tensor = sess.graph.get_tensor_by_name("keep_prob:0")
   input_is_training_tensor = sess.graph.get_tensor_by_name("is_training:0")
 
   # 定義輸出的張量名稱
   output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0")
 
   # 讀取測試圖片
   im=read_image(image_path,resize_height,resize_width,normalization=True)
   im=im[np.newaxis,:]
   # 測試讀出來的模型是否正確，注意這里傳入的是輸出和輸入節(jié)點(diǎn)的tensor的名字，不是操作節(jié)點(diǎn)的名字
   # out=sess.run("InceptionV3/Logits/SpatialSqueeze:0", feed_dict={'input:0': im,'keep_prob:0':1.0,'is_training:0':False})
   out=sess.run(output_tensor_name, feed_dict={input_image_tensor: im,
              input_keep_prob_tensor:1.0,
              input_is_training_tensor:False})
   print("out:{}".format(out))
   score = tf.nn.softmax(out, name='pre')
   class_id = tf.argmax(score, 1)
   print "pre class_id:{}".format(sess.run(class_id))
 
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(diǎn)名稱,該節(jié)點(diǎn)名稱必須是原模型中存在的節(jié)點(diǎn)
 output_node_names = "InceptionV3/Logits/SpatialSqueeze"
 saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
 
 with tf.Session() as sess:
  saver.restore(sess, input_checkpoint) #恢復(fù)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=sess.graph_def,# 等于:sess.graph_def
   output_node_names=output_node_names.split(","))# 如果有多個(gè)輸出節(jié)點(diǎn)，以逗號(hào)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(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
 
  # for op in sess.graph.get_operations():
  #  print(op.name, op.values())
 
def freeze_graph2(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(diǎn)名稱,該節(jié)點(diǎn)名稱必須是原模型中存在的節(jié)點(diǎn)
 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(rèn)的圖
 input_graph_def = graph.as_graph_def() # 返回一個(gè)序列化的圖代表當(dāng)前的圖
 
 with tf.Session() as sess:
  saver.restore(sess, input_checkpoint) #恢復(fù)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(gè)輸出節(jié)點(diǎn)，以逗號(hào)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(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
 
  # 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(diào)用freeze_graph將ckpt轉(zhuǎn)為pb
 freeze_graph(input_checkpoint,out_pb_path)
 
 # 測試pb模型
 image_path = 'test_image/animal.jpg'
 freeze_graph_test(pb_path=out_pb_path, image_path=image_path)

以上這篇淺談tensorflow模型保存為pb的各種姿勢就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: