我正在使用 Tensorflow 和 skflow 创建神经网络；由于某些原因，我想要获取给定输入的一些内部张量的值，因此我使用 myClassifier.get_layer_value(input, "tensorName")，其中 myClassifier 是一个 skflow.estimators.TensorFlowEstimator。
但是，即使知道张量名称（而且我在操作和张量之间感到困惑），我仍然很难找到张量名称的正确语法，因此我正在使用 tensorboard 来绘制图形并查找张量名称。
有没有一种方法可以枚举出图中的所有张量而不使用 tensorboard？
你可以做
[n.name for n in tf.get_default_graph().as_graph_def().node]
此外，如果您正在IPython笔记本中进行原型制作，您可以直接在笔记本中显示图形，请参见Alexander的Deep Dream notebook中的show_graph函数。
我会尝试总结答案：
获取图中所有节点：（类型为tensorflow.core.framework.node_def_pb2.NodeDef）
all_nodes = [n for n in tf.get_default_graph().as_graph_def().node]
获取图中的所有操作：（输入tensorflow.python.framework.ops.Operation）
all_ops = tf.get_default_graph().get_operations()
获取图中的所有变量：（输入：tensorflow.python.ops.resource_variable_ops.ResourceVariable）
all_vars = tf.global_variables()
获取图中所有张量: (类型为tensorflow.python.framework.ops.Tensor)
all_tensors = [tensor for op in tf.get_default_graph().get_operations() for tensor in op.values()]
获取图中的所有占位符： （类型为tensorflow.python.framework.ops.Tensor）
all_placeholders = [placeholder for op in tf.get_default_graph().get_operations() if op.type=='Placeholder' for placeholder in op.values()]
Tensorflow 2
要在Tensorflow 2中获取图形，您需要首先实例化一个tf.function，然后访问graph属性，而不是tf.get_default_graph()，例如：
graph = func.get_concrete_function().graph
其中func是一个tf.function
使用 get_operations 比 Yaroslav 答案中提到的方法稍微快一些。这是一个快速的示例：
import tensorflow as tf
a = tf.constant(1.3, name='const_a')
b = tf.Variable(3.1, name='variable_b')
c = tf.add(a, b, name='addition')
d = tf.multiply(c, a, name='multiply')
for op in tf.get_default_graph().get_operations():
print(str(op.name))
tf.get_operations() 获得张量，只能获取操作。 - Soulduckop.values()获取每个操作的张量，例如：
last_tensor = graph.get_operations()[-1].values()
其中，graph.get_operations()[-1]是图中的最后一个操作。 - Youcef4ktf.all_variables() 可以帮助您获取所需的信息。
此外，今天在TensorFlow Learn中发布了一个提交，提供了一个函数get_variable_names在估计器中，您可以使用它轻松地检索所有变量的名称。
tf.global_variables()。 - bluenote10all_variables (来自tensorflow.python.ops.variables)已被弃用，并将在2017-03-02之后删除。 - stackoverYCmodule 'tensorflow' has no attribute 'all_variables' - skytreeprint(tf.contrib.graph_editor.get_tensors(tf.get_default_graph()))
但是与Salvado和Yaroslav的答案相比，我不知道哪一个更好。
接受的答案只提供了一个带有名称的字符串列表。我更喜欢另一种方法，它可以让您（几乎）直接访问张量：
graph = tf.get_default_graph()
list_of_tuples = [op.values() for op in graph.get_operations()]
list_of_tuples 现在包含每个张量，每个张量都在一个元组中。您也可以调整它以直接获取张量：
graph = tf.get_default_graph()
list_of_tuples = [op.values()[0] for op in graph.get_operations()]
因为原帖请求的是张量列表，而不是操作/节点列表，所以代码应该稍有不同：
graph = tf.get_default_graph()
tensors_per_node = [node.values() for node in graph.get_operations()]
tensor_names = [tensor.name for tensors in tensors_per_node for tensor in tensors]
之前的回答很好，我想分享一个我写的从图中选择张量的实用函数：
def get_graph_op(graph, and_conds=None, op='and', or_conds=None):
"""Selects nodes' names in the graph if:
- The name contains all items in and_conds
- OR/AND depending on op
- The name contains any item in or_conds
Condition starting with a "!" are negated.
Returns all ops if no optional arguments is given.
Args:
graph (tf.Graph): The graph containing sought tensors
and_conds (list(str)), optional): Defaults to None.
"and" conditions
op (str, optional): Defaults to 'and'.
How to link the and_conds and or_conds:
with an 'and' or an 'or'
or_conds (list(str), optional): Defaults to None.
"or conditions"
Returns:
list(str): list of relevant tensor names
"""
assert op in {'and', 'or'}
if and_conds is None:
and_conds = ['']
if or_conds is None:
or_conds = ['']
node_names = [n.name for n in graph.as_graph_def().node]
ands = {
n for n in node_names
if all(
cond in n if '!' not in cond
else cond[1:] not in n
for cond in and_conds
)}
ors = {
n for n in node_names
if any(
cond in n if '!' not in cond
else cond[1:] not in n
for cond in or_conds
)}
if op == 'and':
return [
n for n in node_names
if n in ands.intersection(ors)
]
elif op == 'or':
return [
n for n in node_names
if n in ands.union(ors)
]
['model/classifier/dense/kernel',
'model/classifier/dense/kernel/Assign',
'model/classifier/dense/kernel/read',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd',
'model/classifier/ArgMax/dimension',
'model/classifier/ArgMax']
get_graph_op(tf.get_default_graph(), ['dense', '!kernel'], 'or', ['Assign'])
返回：
['model/classifier/dense/kernel/Assign',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd']
def load_pb(path_to_pb):
with tf.io.gfile.GFile(path_to_pb, 'rb') as f:
graph_def = tf.compat.v1.GraphDef()
graph_def.ParseFromString(f.read())
with tf.Graph().as_default() as graph:
tf.import_graph_def(graph_def, name='')
return graph
tf_graph = load_pb(MODEL_FILE)
sess = tf.compat.v1.Session(graph=tf_graph)
# Show tensor names in graph
for op in tf_graph.get_operations():
print(op.values())
其中MODEL_FILE是您冻结图的路径。
引用自这里。
for n in tf.get_default_graph().as_graph_def().node:
print('\n',n)
if "Variable" in n.op来过滤例如变量这样的内容。 - Radu