Tensorflow学习笔记（六）模型的合并
Tensorflow学习笔记（六）模型的合并
- 将多个模型文件合并成一个模型文件
- 定义一个简单的模型
- 加载SavedModel模型
- 加载.meta模型模型
- 连接两个模型
- 保存成为新的模型
- 保存成一个.pb模型
- 保存为SavedModel模型
- 保存为.meta模型
- 完整代码
- 简单的模型与SavedModel模型
- 简单的模型与.meta模型模型
将多个模型文件合并成一个模型文件
声明: 本篇博文主要是参考这篇博文做的一些测试和改进！更多详细的细节可以参考原文。
先用之前Tensorflow学习笔记（二）模型的保存与加载（一 ）中的代码生成SavedModel模型文件，如
这里的模型效果是输入一个x，返回x+2
定义一个简单的模型
with tf.Graph().as_default() as g_one:
input1 = tf.placeholder(tf.float32,name='one_input')
data = tf.Variable(3.)
mul = tf.multiply(input1,data)
tf.identity(mul,name='one_output')
init = tf.global_variables_initializer()
with tf.Session(graph=g_one) as sess:
sess.run(init)
g1def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["one_output"],
variable_names_whitelist=None,
variable_names_blacklist=None)
这里的模型效果是，把输入x乘了一个3.0并输出，使用graph_util.convert_variables_to_constants将模型中的变量转化为常量。
加载SavedModel模型
with tf.Graph().as_default() as g_two:
with tf.Session(graph=g_two) as sess:
# input_graph_def = saved_model_utils.get_meta_graph_def(
# "./models", tf.saved_model.tag_constants.SERVING).graph_def
tf.saved_model.loader.load(sess, ["serve"], "./models")
g2def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["output"],
variable_names_whitelist=None,
variable_names_blacklist=None)
加载.meta模型模型
先用之前Tensorflow学习笔记（三）模型的保存与加载（二）中的代码生成SavedModel模型文件，如
with tf.Graph().as_default() as g_two:
ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
with tf.Session(graph=g_two) as sess:
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path + '.meta')
saver.restore(sess, ckpt.model_checkpoint_path)
g2def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["output"])
连接两个模型
这里把第一个模型输出的结果当作第二个模型的输入
with tf.Graph().as_default() as g_combined:
with tf.Session(graph=g_combined) as sess:
x = tf.placeholder(tf.float32, name="my_input")
y = tf.import_graph_def(g1def, input_map={"one_input:0": x}, return_elements=["one_output:0"])
z, = tf.import_graph_def(g2def, input_map={"input:0": y}, return_elements=["output:0"])
tf.identity(z, "my_output")
print(sess.run(z,feed_dict={'my_input:0':3.}))
这里需要注意的是z, = tf.import_graph_def(g2def, input_map={"input:0": y}, return_elements=["output:0"]) z , 不是 z 因为这里的输出结果是个列表
运行结果：
也就是3*3+2
保存成为新的模型
这里可以用之前几篇提到的保存方法来保存新的模型，不过有些细节需要注意
如
保存成一个.pb模型
g_combineddef = graph_util.convert_variables_to_constants(sess,sess.graph_def,["my_output"])
MODEL_SAVE_PATH = "./models/" # 保存模型的路径
tf.train.write_graph(g_combineddef, MODEL_SAVE_PATH, 'my_model.pb', as_text=False)
这里注意缩进，在with tf.Session(graph=g_combined) as sess:的包含内，因为with 特性在结束后会关闭Session，而这里的convert_variables_to_constants用到了sess。
这里生成的my_model.pb可以像之前博客中一样被安卓调用。
保存为SavedModel模型
tf.saved_model.simple_save(sess, "./modelbase",inputs={"my_input": x},
outputs={"my_output": z})
这里是保存SavedModel模型最简单的方法，当然也可以用 之前博客中使用的标准方法。
这里生成的SavedModel模型可以用上一篇讲到的合并成一个.pb文件在被Android端调用，调用方法跟上面一样。
这里需要注意的地方是保存的地址文件夹，不能提前存在或者说重复创建否则就会像这样报错
保存为.meta模型
其实保存方法跟之前提到的是一样的，只不过这里因为变量Variable都被转化为常量constant 所以不能保存为.meta模型了！当然主要是我没有想到，如果有会的可以在评论区给我留言，一起学习交流！
完整代码
简单的模型与SavedModel模型
import tensorflow as tf
from tensorflow.python.framework import graph_util
from tensorflow.python.tools import saved_model_utils
MODEL_SAVE_PATH = "./models/" # 保存模型的路径
with tf.Graph().as_default() as g_one:
input1 = tf.placeholder(tf.float32,name='one_input')
data = tf.Variable(3.)
mul = tf.multiply(input1,data)
tf.identity(mul,name='one_output')
init = tf.global_variables_initializer()
with tf.Session(graph=g_one) as sess:
sess.run(init)
g1def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["one_output"],
variable_names_whitelist=None,
variable_names_blacklist=None)
with tf.Graph().as_default() as g_two:
ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
with tf.Session(graph=g_two) as sess:
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path + '.meta')
saver.restore(sess, ckpt.model_checkpoint_path)
g2def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["output"])
with tf.Graph().as_default() as g_combined:
with tf.Session(graph=g_combined) as sess:
x = tf.placeholder(tf.float32, name="my_input")
y = tf.import_graph_def(g1def, input_map={"one_input:0": x}, return_elements=["one_output:0"])
z, = tf.import_graph_def(g2def, input_map={"input:0": y}, return_elements=["output:0"])
tf.identity(z, "my_output")
print(sess.run(z,feed_dict={'my_input:0':3.}))
# 保存1
g_combineddef = graph_util.convert_variables_to_constants(sess, sess.graph_def, ["my_output"])
tf.train.write_graph(g_combineddef, MODEL_SAVE_PATH, 'my_model.pb', as_text=False)
# 保存2
# tf.saved_model.simple_save(sess,
# "./modelbase",
# inputs={"my_input": x},
# outputs={"my_output": z})
简单的模型与.meta模型模型
import tensorflow as tf
from tensorflow.python.framework import graph_util
from tensorflow.python.tools import saved_model_utils
MODEL_SAVE_PATH = "./models/" # 保存模型的路径
with tf.Graph().as_default() as g_one:
input1 = tf.placeholder(tf.float32,name='one_input')
data = tf.Variable(3.)
mul = tf.multiply(input1,data)
tf.identity(mul,name='one_output')
init = tf.global_variables_initializer()
with tf.Session(graph=g_one) as sess:
sess.run(init)
g1def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["one_output"],
variable_names_whitelist=None,
variable_names_blacklist=None)
with tf.Graph().as_default() as g_two:
with tf.Session(graph=g_two) as sess:
tf.saved_model.loader.load(sess, ["serve"], "./models")
g2def = graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
["output"],
variable_names_whitelist=None,
variable_names_blacklist=None)
with tf.Graph().as_default() as g_combined:
with tf.Session(graph=g_combined) as sess:
x = tf.placeholder(tf.float32, name="my_input")
y = tf.import_graph_def(g1def, input_map={"one_input:0": x}, return_elements=["one_output:0"])
z, = tf.import_graph_def(g2def, input_map={"input:0": y}, return_elements=["output:0"])
tf.identity(z, "my_output")
print(sess.run(z,feed_dict={'my_input:0':3.}))
# 保存1
g_combineddef = graph_util.convert_variables_to_constants(sess, sess.graph_def, ["my_output"])
tf.train.write_graph(g_combineddef, MODEL_SAVE_PATH, 'my_model.pb', as_text=False)
# 保存2
# tf.saved_model.simple_save(sess,
# "./modelbase",
# inputs={"my_input": x},
# outputs={"my_output": z})
当然也可以.meta模型模型与SavedModel模型，
.meta模型模型与.meta模型模型，
SavedModel模型与SavedModel模型
这些区别都不大，只是需要注意输入输出的name，这里我就不举例子了，感兴趣的可以自己尝试！
希望这篇文章对您有帮助，感谢阅读！