tensorflow.train.import_meta_graph不起作用？

Question

我尝试简单地保存和恢复图形，但是最简单的示例无法按预期工作（在没有CUDA且使用python 2.7或3.5.2的Linux
64上使用0.9.0或0.10.0版完成此操作）

首先，我像这样保存图形：

import tensorflow as tf
v1 = tf.placeholder('float32') 
v2 = tf.placeholder('float32')
v3 = tf.mul(v1,v2)
c1 = tf.constant(22.0)
v4 = tf.add(v3,c1)
sess = tf.Session()
result = sess.run(v4,feed_dict={v1:12.0, v2:3.3})
g1 = tf.train.export_meta_graph("file")
## alternately I also tried:
## g1 = tf.train.export_meta_graph("file",collection_list=["v4"])

这将创建一个非空文件“文件”，并将g1设置为看起来像正确的图形定义的文件。

然后，我尝试还原此图：

import tensorflow as tf
g=tf.train.import_meta_graph("file")

这可以正常工作，但不会返回任何内容。

任何人都可以提供必要的代码来简单地保存“ v4”图形并完全还原它，以便在新会话中运行该图形会产生相同的结果吗？

Answer 1

要重用MetaGraphDef，您需要在原始图中记录有趣的张量的名称。例如，在第一程序中，设置明确name的定义中的参数v1，v2和v4：

v1 = tf.placeholder(tf.float32, name="v1")
v2 = tf.placeholder(tf.float32, name="v2")
# ...
v4 = tf.add(v3, c1, name="v4")

然后，您可以在调用中使用原始图中的张量的字符串名称sess.run()。例如，以下代码片段应该起作用：

import tensorflow as tf
_ = tf.train.import_meta_graph("./file")

sess = tf.Session()
result = sess.run("v4:0", feed_dict={"v1:0": 12.0, "v2:0": 3.3})

另外，您可以使用tf.get_default_graph().get_tensor_by_name()获取tf.Tensor感兴趣的张量的对象，然后将其传递给sess.run()：

import tensorflow as tf
_ = tf.train.import_meta_graph("./file")
g = tf.get_default_graph()

v1 = g.get_tensor_by_name("v1:0")
v2 = g.get_tensor_by_name("v2:0")
v4 = g.get_tensor_by_name("v4:0")

sess = tf.Session()
result = sess.run(v4, feed_dict={v1: 12.0, v2: 3.3})

---

更新 ：根据注释中的讨论，这里是保存和加载（包括保存变量内容）的完整示例。这说明了通过vx在单独的操作中将变量的值加倍来保存变量。

保存：

import tensorflow as tf
v1 = tf.placeholder(tf.float32, name="v1") 
v2 = tf.placeholder(tf.float32, name="v2")
v3 = tf.mul(v1, v2)
vx = tf.Variable(10.0, name="vx")
v4 = tf.add(v3, vx, name="v4")
saver = tf.train.Saver([vx])
sess = tf.Session()
sess.run(tf.initialize_all_variables())
sess.run(vx.assign(tf.add(vx, vx)))
result = sess.run(v4, feed_dict={v1:12.0, v2:3.3})
print(result)
saver.save(sess, "./model_ex1")

恢复：

import tensorflow as tf
saver = tf.train.import_meta_graph("./model_ex1.meta")
sess = tf.Session()
saver.restore(sess, "./model_ex1")
result = sess.run("v4:0", feed_dict={"v1:0": 12.0, "v2:0": 3.3})
print(result)

最重要的是，为了使用保存的模型，您必须记住至少某些节点的名称（例如，训练操作，输入占位符，评估张量等）。该MetaGraphDef专卖店在训练中所包含的模型，并有助于从检查点恢复这些，但你必须重建张量的变量列表/使用/自己评估模型操作。