没有模型的 TensorFlow 恢复/部署网络？答案

【问题标题】：TensorFlow restore/deploy network without the model?没有模型的 TensorFlow 恢复/部署网络？
【发布时间】：2016-08-31 07:58:21
【问题描述】：

我已经使用 TensorFlow 构建和训练了一些网络，并成功地保存和恢复了模型的参数。

但是，对于某些情况 - 例如就像在客户的基础设施中部署训练有素的网络一样——它不是发布完整代码/模型的最佳解决方案。因此，我想知道是否有任何方法可以在没有用于训练的原始代码/模型的情况下恢复/运行经过训练的网络？

我想这会导致一个问题，除了变量的权重之外，TensorFlow 是否能够将网络架构的（压缩？）版本保存到检查点文件中。

这有可能吗？

【问题讨论】：

您在寻找 TensorFlow Serving 吗？
目前（例如，用于在机器人上测试模型，架构必须运行，因此代码已过时）我想知道是否有任何方法可以让我做某事像 saver.restore(sess, "some_checkpoint_file.ckpt") 和 sess.run(...) 一样，而不必每次都复制整个代码库......
...但从长远来看，是的：看起来 TensorFlow Serving 是我寻找的，用于稳定/长期环境。
另外，一个轻量级的解决方案是freeze_graph，它将你的变量作为常量节点内嵌到graphdef中——github.com/tensorflow/tensorflow/blob/master/tensorflow/python/…

【解决方案1】：

如果您真的只需要从 graphdef 文件 (*.pb) 中恢复，例如从另一个应用程序加载它，您将需要使用来自此处的 freeze_graph.py 脚本：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/tools/freeze_graph.py

此脚本将一个 graphdef (.pb) 和一个检查点 (.ckpt) 文件作为输入，并输出一个 graphdef 文件，其中包含常量形式的权重（您可以阅读脚本上的文档以获取更多详细信息）。

【讨论】：