1、tensorflow模型的文件解读
使用tensorflow训练好的模型会自动保存为四个文件，如下
checkpoint：记录近几次训练好的模型结果（名称）。
xxx.data-00000-of-00001: 模型的所有变量的值(weights, biases, placeholders,gradients, hyper-parameters etc)，也就是模型训练好参数和其他值。
xxx.index ：模型的元数据，二进制或者其他格式，不可直接查看 。是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和一些辅助数据等。
xxx.meta：模型的meta数据 ，二进制或者其他格式，不可直接查看，保存了TensorFlow计算图的结构信息，通俗地讲就是神经网络的网络结构。
2、ckpt转pb文件
import tensorflow as tf
import os
from tensorflow.python.tools import freeze_graph
from model import network # network是你们自己定义的模型结构（代码结构）# egs:
# def network(input)：
# return tf.layers.softmax(input)model_path = "model.ckpt-0000" #设置model的路径，因新版tensorflow会生成三个文件，只需写到数字前def main():tf.reset_default_graph()# 设置输入网络的数据维度，根据训练时的模型输入数据的维度自行修改input_node = tf.placeholder(tf.float32, shape=(None, None, 200)) output_node = network(input_node) # 神经网络的输出# 设置输出数据类型（特别注意，这里必须要跟输出网络参数的数据格式保持一致，不然会导致模型预测 精度或者预测能力的丢失）以及重新定义输出节点的名字（这样在后面保存pb文件以及之后使用pb文件时直接使用重新定义的节点名字即可）flow = tf.cast(output_node , tf.float16, 'the_outputs') saver = tf.train.Saver()with tf.Session() as sess:saver.restore(sess, model_path)#保存模型图（结构），为一个json文件tf.train.write_graph(sess.graph_def, 'output_model/pb_model', 'model.pb')#将模型参数与模型图结合，并保存为pb文件freeze_graph.freeze_graph('output_model/pb_model/model.pb', '', False, model_path, 'the_outputs','save/restore_all', 'save/Const:0', 'output_model/pb_model/frozen_model.pb', False, "")print("done")if __name__ == '__main__':main()
3、获取.ckpt模型中节点名称
# function: get the node name of ckpt model
from tensorflow.python import pywrap_tensorflow
# checkpoint_path = 'model.ckpt-xxx'
checkpoint_path = "model.ckpt-0000"
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
for key in var_to_shape_map:print("tensor_name: ", key)