“frozen_inference_graph.pb”和“saved_model.pb”的区别是什么？

Question

“frozen_inference_graph.pb”和“saved_model.pb”的区别是什么？

38

我有一个使用 Faster R-CNN 训练的模型，使用 export_inference_graph.py 导出进行推理。我想要了解创建的 frozen_inference_graph.pb、saved_model.pb 以及 model.ckpt* 文件之间的区别。我还看到了 .pbtxt 的表示形式。

我尝试阅读了此链接，但没有找到答案：https://www.tensorflow.org/extend/tool_developers/ 这些文件包含什么内容？哪些文件可以转换为其他文件？每个文件的理想目的是什么？

- nickponline

2个回答

6

需要补充的是，frozen_graph.pb包括两个部分： 1. 图定义 2. 训练参数

而save_model.pb只有图定义。

这就是为什么如果你检查两个.pb文件的大小，frozen_graph.pb总是更大的原因。

- vipin bansal

所以，基本上，.pb文件的结构是相同的，我可以使用tf.saved_model.load技术上加载frozen_model.pb，对吗？ - Chan Kha Vu

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- T. Kelher · Accepted Answer

frozen_inference_graph.pb是一个冻结的图，不能再进行训练，它定义了图形定义，并且实际上是一个序列化的图形，可以使用以下代码加载：

def load_graph(frozen_graph_filename):
    with tf.gfile.GFile(frozen_graph_filename, "rb") as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        return graph_def
tf.import_graph_def(load_graph("frozen_inference_graph.pb"))

保存的模型是由tf.saved_model.builder生成的模型，必须导入到会话中。该文件包含完整的图形，包括所有训练权重（就像冻结的图形），但可以在此进行训练，而且它没有序列化并需要通过此片段加载。[]是可以被saved_model_cli读取的标签常数。这个模型通常也用于预测，例如Google ML引擎：

with tf.Session() as sess:
    tf.saved_model.loader.load(sess, [], "foldername to saved_model.pb, only folder")

model.ckpt文件是在训练期间生成的检查点，可用于恢复训练或在长时间训练后出现问题时备份。如果您有一个保存的模型和一个冻结的图，则可以忽略此文件。

.pbtxt文件基本上与先前讨论的模型相同，但可读性更强，不是二进制的。这些也可以被忽略。

回答您的转换问题：

保存的模型可以转换为冻结的图，反之亦然，虽然从冻结的图中提取的saved_model也无法进行训练，但它存储的方式是saved_model格式。检查点可以被读入并加载到会话中，在那里您可以从中构建一个saved_model。

希望我有所帮助，如有任何问题，请随时问我！

补充说明：

如何从保存的模型文件夹结构开始冻结图。这篇文章旧了，所以我以前使用的方法可能不再适用，但最可能仍然适用于Tensorflow 1.+。

首先从tensorflow库中下载此文件，然后这段代码片段应该就可以解决问题:

    import freeze_graph # the file you just downloaded
    from tensorflow.python.saved_model import tag_constants # might be unnecessary

    freeze_graph.freeze_graph(
        input_graph=None,
        input_saver=None,
        input_binary=None,
        input_checkpoint=None,
        output_node_names="dense_output/BiasAdd",
        restore_op_name=None,
        filename_tensor_name=None,
        output_graph=os.path.join(path, "frozen_graph.pb"),
        clear_devices=None,
        initializer_nodes=None,
        input_saved_model_dir=path,
        saved_model_tags=tag_constants.SERVING
    )

输出节点名称 = 最终操作的节点名称，如果您在密集层上结束，则为dense layer_name/BiasAdd。

输出图形 = 输出图形的名称。

输入saved_model_dir = 保存模型的根文件夹。

saved_model_tags = 保存模型的标签，在您的情况下可以是None，但我使用了一个标签。

另外需要注意的是：

加载模型的代码已经在上面提供了。要进行预测，您需要会话（session）。对于保存的模型，此会话已经创建；对于冻结的模型，则没有。

保存的模型：

with tf.Session() as sess:
    tf.saved_model.loader.load(sess, [], "foldername to saved_model.pb, only folder")
    prediction = sess.run(output_tensor, feed_dict={input_tensor: test_images})

冻结模型：

tf.import_graph_def(load_graph("frozen_inference_graph.pb"))
with tf.Session() as sess:
    prediction = sess.run(output_tensor, feed_dict={input_tensor: test_images})

要进一步了解您的输入和输出层是什么，您需要使用TensorBoard查看它们，只需将以下代码行添加到会话中：

tf.summary.FileWriter("path/to/folder/to/save/logs", sess.graph)

这行代码将创建一个日志文件，您可以在cli/powershell中打开它，要了解如何运行tensorboard，请查看此以前发布的问题