ckpt = tf.train.get_checkpoint_state('./model/')
print(ckpt.model_checkpoint_path)

ckpt = tf.train.get_checkpoint_state('./model/')

saver = tf.train.Saver({"v/ExponentialMovingAverage":v})

saver.restore(sess,'./model/model.ckpt-0')
saver.restore(sess,ckpt.model_checkpoint_path)

'''
使用原网络保存的模型加载到自己重新定义的图上
可以使用python变量名加载模型，也可以使用节点名
'''
import AlexNet as Net
import AlexNet_train as train
import random
import tensorflow as tfIMAGE_PATH = './flower_photos/daisy/5673728_71b8cb57eb.jpg'with tf.Graph().as_default() as g:x = tf.placeholder(tf.float32, [1, train.INPUT_SIZE[0], train.INPUT_SIZE[1], 3])y = Net.inference_1(x, N_CLASS=5, train=False)with tf.Session() as sess:# 程序前面得有 Variable 供 save or restore 才不报错# 否则会提示没有可保存的变量saver = tf.train.Saver()ckpt = tf.train.get_checkpoint_state('./model/')img_raw = tf.gfile.FastGFile(IMAGE_PATH, 'rb').read()img = sess.run(tf.expand_dims(tf.image.resize_images(tf.image.decode_jpeg(img_raw),[224,224],method=random.randint(0,3)),0))if ckpt and ckpt.model_checkpoint_path:print(ckpt.model_checkpoint_path)saver.restore(sess,'./model/model.ckpt-0')global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]res = sess.run(y, feed_dict={x: img})print(global_step,sess.run(tf.argmax(res,1)))

'''
直接使用使用保存好的图
无需加载python定义的结构，直接使用节点名称加载模型
由于节点形状已经定下来了，所以有不便之处，placeholder定义batch后单张传会报错
现阶段不推荐使用，以后如果理解深入了可能会找到使用方法
'''
import AlexNet_train as train
import random
import tensorflow as tfIMAGE_PATH = './flower_photos/daisy/5673728_71b8cb57eb.jpg'ckpt = tf.train.get_checkpoint_state('./model/')                          # 通过检查点文件锁定最新的模型
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path +'.meta')   # 载入图结构，保存在.meta文件中with tf.Session() as sess:saver.restore(sess,ckpt.model_checkpoint_path)                        # 载入参数，参数保存在两个文件中，不过restore会自己寻找img_raw = tf.gfile.FastGFile(IMAGE_PATH, 'rb').read()img = sess.run(tf.image.resize_images(tf.image.decode_jpeg(img_raw), train.INPUT_SIZE, method=random.randint(0, 3)))imgs = []for i in range(128):imgs.append(img)print(sess.run(tf.get_default_graph().get_tensor_by_name('fc3:0'),feed_dict={'Placeholder:0': imgs}))'''img = sess.run(tf.expand_dims(tf.image.resize_images(tf.image.decode_jpeg(img_raw), train.INPUT_SIZE, method=random.randint(0, 3)), 0))print(img)imgs = []for i in range(128):imgs.append(img)print(sess.run(tf.get_default_graph().get_tensor_by_name('conv1:0'),feed_dict={'Placeholder:0':img}))

# 连同图结构一同加载
ckpt = tf.train.get_checkpoint_state('./model/')
saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path +'.meta')
with tf.Session() as sess:saver.restore(sess,ckpt.model_checkpoint_path)# 只加载数据，不加载图结构，可以在新图中改变batch_size等的值
# 不过需要注意，Saver对象实例化之前需要定义好新的图结构，否则会报错
saver = tf.train.Saver()
with tf.Session() as sess:ckpt = tf.train.get_checkpoint_state('./model/')saver.restore(sess,ckpt.model_checkpoint_path)

# 新建空白图
self.graph = tf.Graph()
# 空白图列为默认图
with self.graph.as_default():# 二进制读取模型文件with tf.gfile.FastGFile(os.path.join(model_dir,model_name),'rb') as f:# 新建GraphDef文件，用于临时载入模型中的图 graph_def = tf.GraphDef()# GraphDef加载模型中的图graph_def.ParseFromString(f.read())# 在空白图中加载GraphDef中的图tf.import_graph_def(graph_def,name='')# 在图中获取张量需要使用graph.get_tensor_by_name加张量名# 这里的张量可以直接用于session的run方法求值了# 补充一个基础知识，形如'conv1'是节点名称，而'conv1:0'是张量名称，表示节点的第一个输出张量self.input_tensor = self.graph.get_tensor_by_name(self.input_tensor_name)self.layer_tensors = [self.graph.get_tensor_by_name(name + ':0') for name   in self.layer_operation_names]

这节是关于tensorflow的Freezing，字面意思是冷冻，可理解为整合合并；整合什么呢，就是将模型文件和权重文件整合合并为一个文件，主要用途是便于发布。

tensorflow在训练过程中，通常不会将权重数据保存的格式文件里（这里我理解是模型文件），反而是分开保存在一个叫checkpoint的检查点文件里，当初始化时，再通过模型文件里的变量Op节点来从checkoupoint文件读取数据并初始化变量。这种模型和权重数据分开保存的情况，使得发布产品时不是那么方便，我们可以将tf的图和参数文件整合进一个后缀为pb的二进制文件中，由于整合过程回将变量转化为常量，所以我们在日后读取模型文件时不能够进行训练，仅能向前传播，而且我们在保存时需要指定节点名称。

将图变量转换为常量的API：tf.graph_util.convert_variables_to_constants

转换后的graph_def对象转换为二进制数据（graph_def.SerializeToString()）后，写入pb即可。

import tensorflow as tfv1 = tf.Variable(tf.constant(1.0, shape=[1]), name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name='v2')
result = v1 + v2saver = tf.train.Saver()
with tf.Session() as sess:sess.run(tf.global_variables_initializer())saver.save(sess, './tmodel/test_model.ckpt')gd = tf.graph_util.convert_variables_to_constants(sess, tf.get_default_graph().as_graph_def(), ['add'])
with tf.gfile.GFile('./tmodel/model.pb', 'wb') as f:f.write(gd.SerializeToString())

我们可以直接查看gd：

node {
  name: "v1"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
          dim {
            size: 1
          }
        }
        float_val: 1.0
      }
    }
  }
}
……
node {
  name: "add"
  op: "Add"
  input: "v1/read"
  input: "v2/read"
  attr {
    key: "T"
    value {
      type: DT_FLOAT
    }
  }
}
library {
}

四、从图上读取张量

上面的代码实际上已经包含了本小节的内容，但是由于从图上读取特定的张量是如此的重要，所以我仍然单独的补充上这部分的内容。

无论如何，想要获取特定的张量我们必须要有张量的名称和图的句柄，比如 'import/pool_3/_reshape:0' 这种，有了张量名和图，索引就很简单了。

从二进制模型加载张量

第二小节的代码很好的展示了这种情况

BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'  # 瓶颈层输出张量名称
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'  # 输入层张量名称
MODEL_DIR = './inception_dec_2015'  # 模型存放文件夹
MODEL_FILE = 'tensorflow_inception_graph.pb'  # 模型名# 加载模型
# with gfile.FastGFile(os.path.join(MODEL_DIR,MODEL_FILE),'rb') as f:   # 阅读器上下文
with open(os.path.join(MODEL_DIR, MODEL_FILE), 'rb') as f:  # 阅读器上下文graph_def = tf.GraphDef()  # 生成图graph_def.ParseFromString(f.read())  # 图加载模型
# 加载图上节点张量(按照句柄理解)
bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(  # 从图上读取张量，同时导入默认图graph_def,return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])

从当前图中获取对应张量

这个就是很普通的情况，从我们当前操作的图中获取某个张量，用于feed啦或者用于输出等操作，API也很简单，用法如下：

g.get_tensor_by_name('import/pool_3/_reshape:0')

g表示当前图句柄，可以简单的使用 g = tf.get_default_graph() 获取。

从图中获取节点信息

有的时候我们对于模型中的节点并不够了解，此时我们可以通过图句柄来查询图的构造：

g = tf.get_default_graph()
print(g.as_graph_def().node)

这个操作将返回图的构造结构。从这里，对比前面的代码，我们也可以了解到：graph_def 实际就是图的结构信息存储形式，我们可以将之还原为图（二进制模型加载代码中展示了），也可以从图中将之提取出来（本部分代码）。