-
Agregar nombre
with tf.name_scope("output"): self.out = tf.add(tf.matmul(concat_input, self.weights["concat_projection"]), self.weights["concat_bias"]) if self.loss_type == "logloss": self.out = tf.nn.sigmoid(self.out, name="predictlabel")
- Entrene el modelo y obtenga el archivo del modelo
- Exportar pd, crear nuevo model.py (en la misma carpeta que el modelo)
from tensorflow.python import pywrap_tensorflow
import tensorflow as tf
from tensorflow.python.framework import graph_util
def getAllNodes(checkpoint_path):
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
# Print tensor name and values
for key in var_to_shape_map:
print("tensor_name: ", key)
#print(reader.get_tensor(key))
def freeze_graph(ckpt, output_graph):
output_node_names = 'output/predictlabel'
# saver = tf.train.import_meta_graph(ckpt+'.meta', clear_devices=True)
saver = tf.compat.v1.train.import_meta_graph(ckpt+".meta", clear_devices=True)
graph = tf.get_default_graph()
input_graph_def = graph.as_graph_def()
with tf.Session() as sess:
saver.restore(sess, ckpt)
output_graph_def = graph_util.convert_variables_to_constants(
sess=sess,
input_graph_def=input_graph_def,
output_node_names=output_node_names.split(',')
)
with tf.gfile.GFile(output_graph, 'wb') as fw:
fw.write(output_graph_def.SerializeToString())
print('{} ops in the final graph.'.format(len(output_graph_def.node)))
if __name__ == '__main__':
ckpt_path = 'model'
getAllNodes(ckpt_path)
output_graph_path = 'res.pb'
freeze_graph(ckpt_path, output_graph_path)
Hay dos lugares a tener en cuenta:
a: ckpt_path = "modelo" es el prefijo, vea la imagen. b: output_node_names = 'output / predictlabel' es el mismo que el ajuste del primer paso.
- Ejecute este archivo de Python para obtener el archivo pd.