版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/mcyJacky/article/details/88540351
前言
计算机视觉系列之学习笔记主要是本人进行学习人工智能（计算机视觉方向）的代码整理。本系列所有代码是用python3编写，在平台Anaconda中运行实现，在使用代码时，默认你已经安装相关的python库，这方面不做多余的说明。本系列所涉及的所有代码和资料可在我的github上下载到，gitbub地址：https://github.com/mcyJacky/DeepLearning-CV，如有问题，欢迎指出。
一、protocol_buffer(pb)模型保存
Tensorflow在训练模型过程中进行模型保存除了前面一篇介绍的checkpoint方法外，还有一种重要的方式就是将模型保存为.pb文件。它与checkpoint文件的区别是：该模型比checkpoint文件占用空间少，且保存的是常量，可以用来做预测，但不能用于继续训练。
下面就是建立一个简单的MNIST数据集分类的神经网络，然后使用protocol_buffer的模型保存方式：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 每个批次64张照片
batch_size = 64
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size
# 定义两个placeholder
# 给模型数据输入的入口起名为x-input
x = tf.placeholder(tf.float32,[None,784], name='x-input')
# 给模型标签输入的入口起名为y-input
y = tf.placeholder(tf.float32,[None,10], name='y-input')
# 创建一个简单的神经网络，输入层784个神经元，输出层10个神经元
W = tf.Variable(tf.truncated_normal([784,10],stddev=0.1))
b = tf.Variable(tf.zeros([10])+0.1)
# 给模型输出起名为output
prediction = tf.nn.softmax(tf.matmul(x,W) + b, name='output')
# 交叉熵代价函数
loss = tf.losses.softmax_cross_entropy(y, prediction)
# 使用Adam优化器，给优化器operation起名为train
train_step = tf.train.AdamOptimizer(0.001).minimize(loss, name='train')
# 初始化变量
init = tf.global_variables_initializer()
# 求准确率
# tf.argmax(y,1)中的1表示取y中第1个维度中最大值所在的位置
# tf.equal表示比较两个值是否相等，相等返回True，不相等返回False
# 最后correct_prediction是一个布尔型的列表
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(prediction,1))
# tf.cast表示数据格式转换，把布尔型转为float类型，True变成1.0，False变成0.0
# tf.reduce_mean求平均值
# 最后accuracy为准确率
# 给准确率tensor起名为accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32), name='accuracy')
# 创建会话
with tf.Session() as sess:
# 变量初始化
sess.run(init)
# 运行11个周期
for epoch in range(11):
for batch in range(n_batch):
# 获取一个批次的数据和标签
batch_xs,batch_ys = mnist.train.next_batch(batch_size)
# 喂到模型中做训练
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
# 每个周期计算一次测试集准确率
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
# 打印信息
print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))
# 保存模型参数和结构,把变量变成常量
# output_node_names设置可以输出的tensor
output_graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, output_node_names=['output', 'accuracy'])
# 保存模型到目录下的test_pb-model文件夹中
with tf.gfile.FastGFile('test_pb-model/my_model.pb', mode='wb') as f:
f.write(output_graph_def.SerializeToString())
#输出结果：
# Iter 0,Testing Accuracy 0.9026
# Iter 1,Testing Accuracy 0.9132
# Iter 2,Testing Accuracy 0.9171
# Iter 3,Testing Accuracy 0.9223
# Iter 4,Testing Accuracy 0.9235
# Iter 5,Testing Accuracy 0.9251
# Iter 6,Testing Accuracy 0.9266
# Iter 7,Testing Accuracy 0.9283
# Iter 8,Testing Accuracy 0.929
# Iter 9,Testing Accuracy 0.9295
# Iter 10,Testing Accuracy 0.9311
# INFO:tensorflow:Froze 2 variables.
# INFO:tensorflow:Converted 2 variables to const ops.
如上程序，通过convert_variables_to_constants()方法，将需要保存的模型结点变量变成常量，再写入到xxx.pb文件中。生成的pb文件如下图1.1所示：
二、pb数据恢复
在实际将模型用于预测时，我们还需要将pb数据进行恢复，下面将对上述程序保存的pb模型进行恢复:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
# 载入模型
with tf.gfile.FastGFile('test_pb-model/my_model.pb', 'rb') as f:
# 创建一个序列图
graph_def = tf.GraphDef()
# 把模型文件载入到图中
graph_def.ParseFromString(f.read())
# 载入图到当前环境中
tf.import_graph_def(graph_def, name='')
# 定义会话
with tf.Session() as sess:
# 根据tensor的名字获取到对应的tensor
# 之前保存模型的时候模型输出保存为output，":0"是保存模型参数时自动加上的，所以这里也要写上
output = sess.graph.get_tensor_by_name('output:0')
# 根据tensor的名字获取到对应的tensor
# 之前保存模型的时候准确率计算保存为accuracy，":0"是保存模型参数时自动加上的，所以这里也要写上
accuracy = sess.graph.get_tensor_by_name('accuracy:0')
# 预测准确率
print(sess.run(accuracy, feed_dict={'x-input:0':mnist.test.images,'y-input:0':mnist.test.labels}))
#输出结果：
#0.1051
【参考】：
1. 城市数据团课程《AI工程师》计算机视觉方向
2. deeplearning.ai 吴恩达《深度学习工程师》
3. 《机器学习》作者：周志华
4. 《深度学习》作者：Ian Goodfellow
转载声明：
版权声明：非商用自由转载-保持署名-注明出处
署名 ：mcyJacky
文章出处：https://blog.csdn.net/mcyJacky