前言
TensorFlow目前在移動端是無法training的熄阻，只能跑已經訓練好的模型，但一般的保存方式只有單一保存參數或者graph的倔约，如何將參數秃殉、graph同時保存呢？
生成模型
主要有兩種方法生成模型浸剩，一種是通過freeze_graph把tf.train.write_graph()生成的pb文件與tf.train.saver()生成的chkp文件固化之后重新生成一個pb文件钾军，這一種現在不太建議使用。另一種是把變量轉成常量之后寫入PB文件中绢要。我們簡單的介紹下freeze_graph方法吏恭。
freeze_graph
這種方法我們需要先使用tf.train.write_graph()以及tf.train.saver()生成pb文件和ckpt文件，代碼如下：
with tf.Session() as sess:
saver = tf.train.Saver()
saver.save(session, "model.ckpt")
tf.train.write_graph(session.graph_def, '', 'graph.pb')
然后使用TensorFlow源碼中的freeze_graph工具進行固化操作:
首先需要build freeze_graph 工具( 需要 bazel )：
bazel build tensorflow/python/tools:freeze_graph
然后使用這個工具進行固化（/path/to/表示文件路徑）：
bazel-bin/tensorflow/python/tools/freeze_graph --input_graph=/path/to/graph.pb --input_checkpoint=/path/to/model.ckpt --output_node_names=output/predict --output_graph=/path/to/frozen.pb
convert_variables_to_constants
其實在TensorFlow中傳統(tǒng)的保存模型方式是保存常量以及graph的重罪，而我們的權重主要是變量樱哼，如果我們把訓練好的權重變成常量之后再保存成PB文件，這樣確實可以保存權重蛆封，就是方法有點繁瑣唇礁，需要一個一個調用eval方法獲取值之后賦值，再構建一個graph惨篱，把W和b賦值給新的graph盏筐。
牛逼的Google為了方便大家使用，編寫了一個方法供我們快速的轉換并保存砸讳。
- 首先我們需要引入這個方法
from tensorflow.python.framework.graph_util import convert_variables_to_constants
- 在想要保存的地方加入如下代碼琢融，把變量轉換成常量
output_graph_def = convert_variables_to_constants(sess, sess.graph_def, output_node_names=['output/predict'])
這里參數第一個是當前的session，第二個為graph簿寂，第三個是輸出節(jié)點名（如我的輸出層代碼是這樣的：）
with tf.name_scope('output'):
w_out = tf.Variable(w_alpha * tf.random_normal([1024, MAX_CAPTCHA * CHAR_SET_LEN]))
tf.summary.histogram('output/weight', w_out)
b_out = tf.Variable(b_alpha * tf.random_normal([MAX_CAPTCHA * CHAR_SET_LEN]))
tf.summary.histogram('output/biases', b_out)
out = tf.add(tf.matmul(dense2, w_out), b_out)
out = tf.nn.softmax(out)
predict = tf.argmax(tf.reshape(out, [-1, 11, 36]), 2, name='predict')
由于我們采用了name_scope所以我們在predict之前需要加上output/
- 生成文件
with tf.gfile.FastGFile('model/CTNModel.pb', mode='wb') as f:
f.write(output_graph_def.SerializeToString())
第一個參數是文件路徑漾抬，第二個是指文件操作的模式，這里指的是以二進制的方式寫入文件常遂。
運行代碼纳令，系統(tǒng)會生成一個PB文件，接下來我們要測試下這個模型是否能夠正常的讀取、運行平绩。
測試模型
在Python環(huán)境下圈匆，我們首先需要加載這個模型，代碼如下：
with open('./model/rounded_graph.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
output = tf.import_graph_def(graph_def,
input_map={'inputs/X:0': newInput_X},
return_elements=['output/predict:0'])
由于我們原本的網絡輸入值是一個placeholder捏雌，這里為了方便輸入我們也先定義一個新的placeholder：
newInput_X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT * IMAGE_WIDTH], name="X")
在input_map的參數填入新的placeholder跃赚。
在調用我們的網絡的時候直接用這個新的placeholder接收數據，如：
text_list = sesss.run(output, feed_dict={newInput_X: [captcha_image]})
然后就是運行我們的網絡性湿，看是否可以運行吧纬傲。
