1 如何使用pb文件保存和恢复模型进行迁移学习（学习Tensorflow 实战google深度学习框架）

学习过程是Tensorflow 实战google深度学习框架一书的第六章的迁移学习环节。

具体见我提出的问题：https://www.tensorflowers.cn/t/5314

参考https://blog.csdn.net/zhuiqiuk/article/details/53376283后，对代码进行了修改。

问题的跟踪情况记录：

1 首先是保存模型：

import tensorflow as tf
from tensorflow.python.framework import graph_util
v1=tf.constant([10000.0],name='v1')
#v1 = tf.placeholder(tf.float32,shape=[1],name='v1')
v2 = tf.Variable(tf.constant(2.0, shape=[1]), name = "v2")
result = v1 + v2

init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op,{v1:[100]})
    print (sess.run(result,{v1:[1000]}))
    writer = tf.summary.FileWriter('./graphs/model_graph', sess.graph)
    writer.close()    
    graph_def = tf.get_default_graph().as_graph_def()
    output_graph_def = graph_util.convert_variables_to_constants(sess, graph_def,['add'])
    with tf.gfile.GFile("Saved_model/combined_model.pb", "wb") as f:
        f.write(output_graph_def.SerializeToString())

因为inception v3接受输入的tensor是Decode/Content:0，是一个const类型，就是tf.constant类型，而一开始，我并不明白问题的所在，就将tf.placeholder改为了tf.constant，而实际上，两个都可以。问题的本身不是出在这里，而是对书本有错误的理解。

书上因为获取的是两个return elements，会自动从列表中取出元素。

而我获得的是一个retrun elelment，则只能返回一个列表。

2 使用并加载持久化模型，直接调用模型的训练参数进行计算。

#这是我以前写的程序,是错误的
"""
因为我以前写的只是获取一个值。
而现在修正的v1则是一个tensor。我们可以修正tensor的值。
所以，tensorflow 实战google深度学习框架中有重大bug。
不懂的联系我手机 18627711314 杰
"""
import tensorflow as tf
import numpy as np
from numpy.random import RandomState
from tensorflow.python.platform import gfile
with tf.Session() as sess:
    model_filename = "Saved_model/combined_model.pb"  
    #model_filename = "inception_dec_2015/tensorflow_inception_graph.pb"  
    
    with gfile.FastGFile(model_filename, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
    """将模型的相关信息写入文件，和利用tensorboard进行可视化
    f = open("xiaojie2.txt", "w")
    print ("xiaojie2
",file = f)
    print (graph_def,file=f)
    f.close()
    writer = tf.summary.FileWriter('./graphs/model_graph2', graph_def)
    writer.close()
    """
    """④输出所有可训练的变量名称，也就是神经网络的参数"""
    trainable_variables=tf.trainable_variables()
    variable_list_name = [c.name for c in tf.trainable_variables()]
    variable_list = sess.run(variable_list_name)
    for k,v in zip(variable_list_name,variable_list):
        print("variable name:",k)
        print("shape:",v.shape)
        #print(v) 
    """④输出所有可训练的变量名称，也就是神经网络的参数"""
 
    v1= tf.import_graph_def(graph_def, return_elements=["v1:0"])
    print (v1)
    print (sess.run(v1))
    v2= tf.import_graph_def(graph_def, return_elements=["v2:0"])
    print (sess.run(v2))
    result = tf.import_graph_def(graph_def, return_elements=["add:0"])
    print (sess.run(result))
    x=np.array([2000.0])
    print (sess.run(result,feed_dict={v1: x}))

这些都是参照书上使用inception模型时的做法，我参照着自己写了一个模型，但是有重大bug

运行结果总是提示：

因为总是无法用feed_dict传入我想计算的输入。我一开始因为是tf.placeholder的原因，就参照inception的改为tf.constant。但是还是不行。后来在网上看到别人加载pb文件的一段代码https://blog.csdn.net/zhuiqiuk/article/details/53376283，重新对代码进行了修正。如下：

import tensorflow as tf
import numpy as np
from numpy.random import RandomState
from tensorflow.python.platform import gfile
with tf.Graph().as_default():
    output_graph_def = tf.GraphDef()
    output_graph_path='Saved_model/combined_model.pb'
    with open(output_graph_path, "rb") as f:
        output_graph_def.ParseFromString(f.read())
        _ = tf.import_graph_def(output_graph_def, name="")
    with tf.Session() as sess:
"""④输出所有可训练的变量名称，也就是神经网络的参数"""
        trainable_variables=tf.trainable_variables()
        variable_list_name = [c.name for c in tf.trainable_variables()]
        variable_list = sess.run(variable_list_name)
        for k,v in zip(variable_list_name,variable_list):
            print("variable name:",k)
            print("shape:",v.shape)
            #print(v) 
"""④输出所有可训练的变量名称，也就是神经网络的参数"""
        input_x = sess.graph.get_tensor_by_name("v1:0")
        result = tf.import_graph_def(graph_def, return_elements=["add:0"])
        print (input_x)
        x=np.array([2000.0])
        print (sess.run(result,feed_dict={input_x: x}))

问题的根本在于：

V1= tf.import_graph_def(graph_def, return_elements=["v1:0"])获取的是

[<tf.Tensor 'import/v1:0' shape=(1,) dtype=float32>]，是一个列表

而：input_x = sess.graph.get_tensor_by_name("v1:0")

获取的是一个Tensor，即Tensor("v1:0", shape=(1,), dtype=float32)。

使用sess.run的时候，feed_dict要修正的是tensor，而不是一个list。因此，总会提出unhashable type：listd的报错。

3 将原始错误程序的代码改为：

v1= tf.import_graph_def(graph_def, return_elements=["v1:0"])
print (v1)
print (sess.run(v1))
v2= tf.import_graph_def(graph_def, return_elements=["v2:0"])
print (sess.run(v2))
result = tf.import_graph_def(graph_def, return_elements=["add:0"])
print (sess.run(result))
x=np.array([2000.0])

#print (sess.run(result,feed_dict={v1: x}))

print (sess.run(result,feed_dict={v1[0]: x}))

也可以正确运行

4 后来正确的程序还可以改为：

import tensorflow as tf
import numpy as np
from numpy.random import RandomState
from tensorflow.python.platform import gfile
output_graph_def = tf.GraphDef()
output_graph_path='Saved_model/combined_model.pb'
with open(output_graph_path, "rb") as f:
    output_graph_def.ParseFromString(f.read())
    _ = tf.import_graph_def(output_graph_def, name="")
with tf.Session() as sess:
"""④输出所有可训练的变量名称，也就是神经网络的参数"""
    trainable_variables=tf.trainable_variables()
    variable_list_name = [c.name for c in tf.trainable_variables()]
    variable_list = sess.run(variable_list_name)
    for k,v in zip(variable_list_name,variable_list):
        print("variable name:",k)
        print("shape:",v.shape)
        #print(v) 
  """④输出所有可训练的变量名称，也就是神经网络的参数"""
    input_x = sess.graph.get_tensor_by_name("v1:0")
    result = tf.import_graph_def(graph_def, return_elements=["add:0"])
    print (input_x)
    x=np.array([2000.0])
    print (sess.run(result,feed_dict={input_x: x}))

需要注意的是：

首先，无论如何，加载pb以后，输出所有可训练的变量，都不可能输出持久化模型中的变量。这一点以前就说过。以前说过，只能使用train.saver的方式。

其次，如果使用后一种方式，即sess.graph.get_tensor_by_name，则必须要有红黄标注的那一幕。即：_ = tf.import_graph_def(output_graph_def, name="")

程序附件

链接：https://pan.baidu.com/s/11YtyDEyV84jONPi9tO2TCw 密码：8mfj