如何从给定模型中获取 Graph（或 GraphDef）？

Question

我有一个使用 Tensorflow 2 和 Keras 定义的大模型。该模型在 Python 中运行良好。现在，我想将它导入到 C++ 项目中。

在我的 C++ 项目中，我使用TF_GraphImportGraphDef函数。*.pb如果我使用以下代码准备文件，效果很好：

    with open('load_model.pb', 'wb') as f:
        f.write(tf.compat.v1.get_default_graph().as_graph_def().SerializeToString())

我已经在使用 Tensorflow 1（使用 tf.compat.v1.* 函数）编写的简单网络上尝试了这段代码。它运作良好。

现在我想将我的大模型（开头提到的，使用Tensorflow 2编写）导出到C++项目中。为此，我需要从我的模型中获取一个Graph或GraphDef对象。问题是：如何做到这一点？我没有找到任何属性或函数来获取它。

我也试过用它tf.saved_model.save(model, 'model')来保存整个模型。它生成一个包含不同文件的目录，包括saved_model.pb文件。不幸的是，当我尝试使用TF_GraphImportGraphDef函数在 C++ 中加载此文件时，程序抛出异常。

Answer 1

生成的协议缓冲区文件tf.saved_model.save不包含GraphDef消息，而是包含一个SavedModel. 您可以在 Python 中遍历它SavedModel以获取其中的嵌入图，但这不会立即用作冻结图，因此正确处理它可能很困难。取而代之的是，C++ API 现在包含一个LoadSavedModel调用，允许您从目录加载整个保存的模型。它应该看起来像这样：#include <iostream>#include <...>  // Add necessary TF include directivesusing namespace std;using namespace tensorflow;int main(){    // Path to saved model directory    const string export_dir = "...";    // Load model    Status s;    SavedModelBundle bundle;    SessionOptions session_options;    RunOptions run_options;    s = LoadSavedModel(session_options, run_options, export_dir,                       // default "serve" tag set by tf.saved_model.save                       {"serve"}, &bundle));    if (!.ok())    {        cerr << "Could not load model: " << s.error_message() << endl;        return -1;    }    // Model is loaded    // ...    return 0;}从这里开始，您可以做不同的事情。也许您最愿意使用 将保存的模型转换为冻结图FreezeSavedModel，这应该让您可以像以前一样做事：GraphDef frozen_graph_def;std::unordered_set<string> inputs;std::unordered_set<string> outputs;s = FreezeSavedModel(bundle, &frozen_graph_def,                     &inputs, &outputs));if (!s.ok()){    cerr << "Could not freeze model: " << s.error_message() << endl;    return -1;}否则，您可以直接使用保存的模型对象：// Default "serving_default" signature name set by tf.saved_model_saveconst SignatureDef& signature_def = bundle.GetSignatures().at("serving_default");// Get input and output names (different from layer names)// Key is input and output layer namesconst string input_name = signature_def.inputs().at("my_input").name();const string output_name = signature_def.inputs().at("my_output").name();// Run modelTensor input = ...;std::vector<Tensor> outputs;s = bundle.session->Run({{input_name, input}}, {output_name}, {}, &outputs));if (!s.ok()){    cerr << "Error running model: " << s.error_message() << endl;    return -1;}// Get resultTensor& output = outputs[0];

Answer 2

我找到了以下问题的解决方案：g = tf.Graph()with g.as_default():&nbsp; &nbsp; # Create model&nbsp; &nbsp; inputs = tf.keras.Input(...)&nbsp;&nbsp; &nbsp; x = tf.keras.layers.Conv2D(1, (1,1), padding='same')(inputs)&nbsp; &nbsp; # Done creating model&nbsp; &nbsp; # Optionally get graph operations&nbsp; &nbsp; ops = g.get_operations()&nbsp; &nbsp; for op in ops:&nbsp; &nbsp; &nbsp; &nbsp; print(op.name, op.type)&nbsp; &nbsp; # Save graph&nbsp; &nbsp; tf.io.write_graph(g.as_graph_def(), 'path', 'filename.pb', as_text=False)