本文是將yolo3目標檢測框架訓練出來的ckpt文件固化成pb文件，主要利用了GitHub上的該項目。

為什么要最終生成pb文件呢？簡單來說就是直接通過tf.saver保存行程的ckpt文件其變量數(shù)據(jù)和圖是分開的。我們知道TensorFlow是先畫圖，然后通過placeholde往圖里面喂數(shù)據(jù)。這種解耦形式存在的方法對以后的遷移學習以及對程序進行微小的改動提供了極大的便利性。但是對于訓練好，以后不再改變的話這種存在就不再需要。一方面，ckpt文件儲存的數(shù)據(jù)都是變量，既然我們不再改動，就應當讓其變成常量，直接‘燒'到圖里面。另一方面，對于線上的模型，我們一般是通過C++或者C語言編寫的程序進行調(diào)用。所以一般模型最終形式都是應該寫成pb文件的形式。

由于這次的程序直接從GitHub上下載后改動較小就能夠運行，也就是自己寫了很少一部分程序。因此進行調(diào)試的時候還出現(xiàn)了以前根本沒有注意的一些小問題，同時發(fā)現(xiàn)自己對TensorFlow還需要更加詳細的去研讀。

首先對程序進行保存的時候，利用 saver = tf.train.Saver(), saver.save(sess,checkpoint_path,global_step=global_step)對訓練的數(shù)據(jù)進行保存，保存格式為ckpt。但是在恢復的時候一直提示有問題，（其恢復語句為：saver = tf.train.Saver(), saver.restore（sess，ckpt_path），其中,ckpt_path是保存ckpt的文件夾路徑）。出現(xiàn)問題的原因我估計是因為我是按照每50個epoch進行保存，而不是讓其進行固定次數(shù)的batch進行保存，這種固定batch次數(shù)的保存系統(tǒng)會自動保存最近5次的ckpt文件（該方法的ckpt_path=tf.train,latest_checkpoint('ckpt/')進行回復）。那么如何將利用epoch的次數(shù)進行保存呢（這種保存不是近5次的保存，而是每進行一次保存就會留下當時保存的ckpt，而那種按照batch的會在第n次保存，會將n-5次的刪除，n>5）。

我們可以利用:ckpt = tf.train.get_checkpoint_state(ckpt_path),獲取最新的ckptpoint文件，然后利用saver.restore(sess,ckpt.checkpoint_path)進行恢復。當然為了安全起見，應該對ckpt和ckpt.checkpoint_path進行判斷是否存在后，再進行恢復語句的調(diào)用，建議打開ckptpoint看一下，里面記錄的最近五次的model的路徑，一目了然。即：

  saver = tf.train.Saver()
  ckpt = tf.train.get_checkpoint_state(model_path)
  if ckpt and ckpt.model_checkpoint_path:
    saver.restore(sess, ckpt.model_checkpoint_path)

對于固化網(wǎng)絡，網(wǎng)上有很多的介紹。之所以再介紹，還是由于是用了別人的網(wǎng)絡而不是自己的網(wǎng)絡遇到的坑。在固化時候我們需要知道輸出tensor的名字，而再恢復的時候我們需要知道placeholder的名字。但是，如果網(wǎng)絡復雜或者別人的網(wǎng)絡命名比較復雜，或者name=，根本就沒有自己命名而用的系統(tǒng)自定義的，這樣捋起來還是比較費勁的。當時在網(wǎng)上查找的一些方法，像打印整個網(wǎng)絡變量的方法（先不管輸出的網(wǎng)路名稱，甚至隨便起一個名字，先固化好pb文件，然后對pb文件進行讀取，最后打印操作的名字：

 graph = tf.get_default_graph()
  input_graph_def = graph.as_graph_def()
 
  output_graph_def = graph_util.convert_variables_to_constants(
    sess,
    input_graph_def,
    ['cls_score/cls_score', 'cls_prob'] # We split on comma for convenience
  )
  with tf.gfile.GFile(output_graph, "wb") as f:
    f.write(output_graph_def.SerializeToString())
  print ('開始打印節(jié)點名字')
  for op in graph.get_operations():
    print(op.name)
  print("%d ops in the final graph." % len(output_graph_def.node))

代碼一

這樣盡然也能打印出來（盡管輸出名字是隨便命名的）。但是打印出來的是所有的節(jié)點的名字，簡直不要太多。這樣找的話，一方面可能找不對，另一方面也太費事。

那么怎么辦？答案簡單的讓我也很無語。其實，對ckpt進行數(shù)據(jù)恢復的時候，直接打印輸出的tensor名字就可以。比如說在saver以及placeholder定義的時候：output = model.yolo_inference(images, config.num_anchors / 3, config.num_classes, is_training)，我們在后面跟一句：print output，從打印出來的信息即可查看。placeholder的查看方法同樣如此。

對網(wǎng)絡進行固化：

代碼：

  input_image_shape = tf.placeholder(dtype = tf.int32, shape = (2,))
  input_image = tf.placeholder(shape = [None, 416, 416, 3], dtype = tf.float32)
  predictor = yolo_predictor(config.obj_threshold, config.nms_threshold, config.classes_path, config.anchors_path)
  boxes, scores, classes = predictor.predict(input_image, input_image_shape)
  sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
  saver = tf.train.Saver()
  ckpt = tf.train.get_checkpoint_state(model_path)
  if ckpt and ckpt.model_checkpoint_path:
    saver.restore(sess, ckpt.model_checkpoint_path)
 
  # 采用meta 結(jié)構(gòu)加載，不需要知道網(wǎng)絡結(jié)構(gòu)
  # saver = tf.train.import_meta_graph(model_path, clear_devices=True) 
  # 這里的model_path是model.ckpt.meta文件的全路徑
  # ckpt_model_path 是保存模型的文件夾路徑
  # saver.restore(sess, tf.train.latest_checkpoint(ckpt_model_path))
 
  graph = tf.get_default_graph()
  input_graph_def = graph.as_graph_def()
  output_graph_def = graph_util.convert_variables_to_constants(
    sess,
    input_graph_def,
    ['concat_11','concat_12','concat_13'] # We split on comma for convenience
  )
  # # Finally we serialize and dump the output graph to the filesystem
  with tf.gfile.GFile(output_graph, "wb") as f:
    f.write(output_graph_def.SerializeToString())

由于固化的時候是需要先恢復ckpt網(wǎng)絡的，所以還是在restore前寫了placeholder和輸出tensor的定義（需要注點意的是，我們保存的ckpt文件是訓練階段的graph和變量等，其inference輸出和最終predict的輸出的Tensor不一樣，因此predict與inference的輸出相比，還包括了一些后處理，比如說nms等等，只有這些后處理也是TensorFlow框架內(nèi)的方法寫的，才能使最終形成的pb文件能夠做到輸入一張圖片，直接輸出最終結(jié)果。因此，對于目標檢測任務，把后處理任務也交由TensorFlow內(nèi)的api來實現(xiàn)，可免去夸平臺讀取pb文件后仍然需要重新進行后處理等相關程序的編寫帶來的不必要麻煩）。然后結(jié)合保存變量的那個文件（ckpt），將變量恢復到inference過程所需的變量數(shù)據(jù)（predict包括inference和eval兩個過程，訓練過程只有inference和loss過程參與，而預測過程多了一個后處理eval過程，eval過程無變量。這樣在生成pb文件的時候也把后處理eval固化進去。喂給網(wǎng)絡數(shù)據(jù)，即可得到輸出tensor。

由于有讀者在此問到了還是沒有弄明白'concat_11','concat_12','concat_13'是如何得來的，我在這里就在詳細說一下：

是這樣的，在我們恢復網(wǎng)絡的時候肯定需要知道saver這個對象的，在這里介紹兩種方法生成這個對象的方法。

一：

saver = tf.train.import_meta_graph(meta_graph_location, clear_devices=True)

其中meta_graph_location就是保存模型時的.meta文件的路徑。保存后有四個文件（checkpoint、.index、.data-00000-of-00001和.meta文件）。.meta文件就是整個TensorFlow的結(jié)構(gòu)圖。

二：

saver = tf.train.Saver()

本文采用的是第二種方法(上面已經(jīng)有詳細的代碼)，由于這種方法得到的saver對象，他不知道具體圖是什么樣的，因此在恢復前我有用如下代碼

predictor = yolo_predictor(config.obj_threshold, config.nms_threshold, config.classes_path, config.anchors_path)
boxes, scores, classes = predictor.predict(input_image, input_image_shape)

把整個結(jié)構(gòu)又加載了一遍。如果采用第一種方法，是不需要在重寫這兩行代碼的。

我們要的就是 boxes, scores, classes這三個tensor的結(jié)果，并且想知道他們?nèi)齻€tensor的名字。你直接利用print（boxes, scores, classes）打印出來這三個tensor就會出來這三個tensor具體信息（包括名字，和shape，dtype等）。這個只是利用第二種方法得到saver對象，然后恢復ckpt文件，不涉及到固化pb文件問題。固化pb文件是需要知道這三個tensor的名字，所以需要打印看一下。

如果說，我只拿到了保存后的四個文件（checkpoint、.index、.data-00000-of-00001和.meta文件），其相應用代碼寫成的結(jié)構(gòu)圖不清楚，比如說利用這兩行代碼：

predictor = yolo_predictor(config.obj_threshold, config.nms_threshold, config.classes_path, config.anchors_path)
boxes, scores, classes = predictor.predict(input_image, input_image_shape)

畫出的結(jié)構(gòu)圖是什么樣的，我不知道。那么，想要知道具體的placehold和輸出tensor的名字，那只能通過代碼一中，打印出所有的OP操作節(jié)點，然后進行人工遍歷了。

讀取pb文件：

代碼：

def pb_detect(image_path, pb_model_path):
 
  os.environ["CUDA_VISIBLE_DEVICES"] = config.gpu_index
  image = Image.open(image_path)
  resize_image = letterbox_image(image, (416, 416))
  image_data = np.array(resize_image, dtype = np.float32)
  image_data /= 255.
  image_data = np.expand_dims(image_data, axis = 0)
  with tf.Graph().as_default():
    output_graph_def = tf.GraphDef()
    with open(pb_model_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())
      input_image_tensor = sess.graph.get_tensor_by_name("Placeholder_1:0")
      input_image_tensor_shape = sess.graph.get_tensor_by_name("Placeholder:0")
      # 定義輸出的張量名稱
      #output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0")
      boxes = sess.graph.get_tensor_by_name("concat_11:0")
      scores = sess.graph.get_tensor_by_name("concat_12:0")
      classes = sess.graph.get_tensor_by_name("concat_13:0")
      # 讀取測試圖片
      # 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)點的tensor的名字（需要在名字后面加：0），不是操作節(jié)點的名字
      out_boxes, out_scores, out_classes= sess.run([boxes,scores,classes],
              feed_dict={
                input_image_tensor: image_data,
                input_image_tensor_shape: [image.size[1], image.size[0]]
      })

可以看到讀取pb文件只需要比恢復ckpt文件容易的多，直接將placeholder的名字獲取到，將數(shù)據(jù)輸入恢復的網(wǎng)絡，以及讀取輸出即可。

小記：

有可能是TensorFlow版本更新或者其他原因，在后來工作中加載pb文件是報錯了：

ValueError: Fetch argument <tf.Tensor 'shuffle_batch:0' shape=(1, 300, 1024) dtype=float32> cannot be interpreted as a Tensor. (tf.Tensor 'shuffle_batch:0' shape=(1, 300, 1024), dtype=float32) is not an element of this graph.)

將上面讀取pb文件的代碼with tf.Graph().as_default():改成

global graph
graph = tf.get_default_graph()
with graph.as_default():

以上這篇TensorFlow:將ckpt文件固化成pb文件教程就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。