为什么在 TF2 中不推荐使用 convert_variables_to_constants()？

Question

正如标题所说，为什么在 tensorflow 2 中不推荐使用 convert_variables_to_constants()？获取可保存模型以加载到下游独立应用程序以进行推理（在我的情况下，使用 C API）的简单替代方法是什么。

Answer 1

在 TF 2.x 中没有 tf.Session()，这是在 TF 1.x 中构建冻结模型的必要组件，在 TF 2.0 中不再存在。

根据TensorFlow 2.0.0 release description“删除了 freeze_graph 命令行工具；应使用 SavedModel 代替冻结图。”因此，您只能使用SavedModel。

但是，如果您仍然需要冻结图表，您

# Save model to SavedModel format
tf.saved_model.save(model, "./models/simple_model")

# Convert Keras model to ConcreteFunction
full_model = tf.function(lambda x: model(x))
full_model = full_model.get_concrete_function(
    x=tf.TensorSpec(model.inputs[0].shape, model.inputs[0].dtype))

# Get frozen ConcreteFunction
frozen_func = convert_variables_to_constants_v2(full_model)
frozen_func.graph.as_graph_def()

layers = [op.name for op in frozen_func.graph.get_operations()]

然后将其保存为冻结图。

注意：您现在应该使用 TF 1.x 加载此冻结图 函数，

tf.io.write_graph(graph_or_graph_def=frozen_func.graph,
                  logdir="./frozen_models",
                  name="simple_frozen_graph.pb",
                  as_text=False)

然后加载这个模型（TF 1.x 代码）你会做-

with tf.io.gfile.GFile("./frozen_models/simple_frozen_graph.pb", "rb") as f:
    graph_def = tf.compat.v1.GraphDef()
    loaded = graph_def.ParseFromString(f.read())

freeze_graph 减少的延迟对于应用程序可能非常重要，存储在SavedModel 中的全精度权重可能是一个问题。但是也有一些简单的方法可以解决这个问题，这超出了这个问题的范围。