1 解析CKPT网络结构

解析CKPT网络结构的第一步是读取CKPT模型中的图文件，得到图的Graph对象后即可得到完整的网络结构。读取图文件示例代码如下所示。

    saver = tf.train.import_meta_graph(ckpt_path+'.meta',clear_devices=True)
    graph = tf.get_default_graph()
    with tf.Session( graph=graph) as sess:
        sess.run(tf.global_variables_initializer()) 
        saver.restore(sess,ckpt_path) 

• 1
• 2
• 3
• 4
• 5

调用graph.get_operations()后即可得到当前图的所有计算节点，在利用Operation对象与Tensor对象之间的相互引用关系即可推断网络结构。但是需要注意的是，从meta文件中导入的图中获取计算节点存在如下问题。

1. 包含反向梯度下降计算的所有节点
2. 某些计算节点是按基础计算（加减乘除等）节点拆分成多个计算节点的，如BatchNorm，但其实是可以直接合并成一个节点的。

pb模型文件可以避免上面第一个问题，将CKPT模型转pb模型后，可以自动将反向梯度下降相关计算节点移除。对于第二点，pb模型文件会自动将基础计算组成一个计算节点，但是对于Tensor操作的函数如Slice等函数是无法合并的。因此，对于第2个问题，将CKPT模型转pb模型后，可以减少这类问题，但是无法避免。彻底避免的方法只能通过自己针对性地实现。经过以上分析，得出的结论是非常有必要将CKPT模型转pb模型。

2 自动将CKPT转pb，并提取网络图中节点

如果将CKPT自动转pb模型，那么就可以复用上一篇文章《从Tensorflow模型文件中解析并显示网络结构图（pb模型篇）》的代码。示例代码如下所示。

def read_graph_from_ckpt(ckpt_path,input_names,output_name ):   
    saver = tf.train.import_meta_graph(ckpt_path+'.meta',clear_devices=True)
    graph = tf.get_default_graph()
    with tf.Session( graph=graph) as sess:
        sess.run(tf.global_variables_initializer()) 
        saver.restore(sess,ckpt_path) 
        output_tf =graph.get_tensor_by_name(output_name) 
        pb_graph = tf.graph_util.convert_variables_to_constants( sess, graph.as_graph_def(), [output_tf.op.name]) 
<span class="token keyword">with</span> tf<span class="token punctuation">.</span>Graph<span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">.</span>as_default<span class="token punctuation">(</span><span class="token punctuation">)</span> <span class="token keyword">as</span> g<span class="token punctuation">:</span>
    tf<span class="token punctuation">.</span>import_graph_def<span class="token punctuation">(</span>pb_graph<span class="token punctuation">,</span> name<span class="token operator">=</span><span class="token string">''</span><span class="token punctuation">)</span>  
<span class="token keyword">with</span> tf<span class="token punctuation">.</span>Session<span class="token punctuation">(</span>graph<span class="token operator">=</span>g<span class="token punctuation">)</span> <span class="token keyword">as</span> sess<span class="token punctuation">:</span>
    OPS<span class="token operator">=</span>get_ops_from_pb<span class="token punctuation">(</span>g<span class="token punctuation">,</span>input_names<span class="token punctuation">,</span>output_name<span class="token punctuation">)</span>
<span class="token keyword">return</span> OPS

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

其中函数get_ops_from_pb在上一篇文章《从Tensorflow模型文件中解析并显示网络结构图（pb模型篇）》中已经实现。

3 测试

以《MobileNet V1官方预训练模型的使用》文中介绍的MobileNet V1网络结构为例，下载MobileNet_v1_1.0_192文件并压缩后，得到mobilenet_v1_1.0_192.ckpt.data-00000-of-00001、mobilenet_v1_1.0_192.ckpt.index、mobilenet_v1_1.0_192.ckpt.meta文件。我们还需要知道mobilenet_v1_1.0_192.ckpt模型对应的输入和输出Tensor对象的名称，官方提供的压缩包文件中并没有告知。一种方法是运行官方代码，把输入Tensor的名称打印出来。但是运行官方代码本身就需要一定的时间和精力，在在上一篇文章《从Tensorflow模型文件中解析并显示网络结构图（pb模型篇）》的代码实现中已经实现了将原始网络结构对应的字符串写入到ori_network.txt文件中。因此，可以先随意填写输入名称和输出名称，待生成ori_network.txt文件后，从文件中可以直观看到原始网络结构。ori_network.txt文件部分内容如下所示。

通过该文件可知，输入Tensor的名称为：batch:0，输出Tensor名称为：MobilenetV1/Predictions/Reshape_1:0。有了这些信息后，调用函数read_graph_from_ckpt得到静态图的节点列表对象ops，调用函数gen_graph(ops,"save/path/graph.html")后，在目录save/path中得到graph.html文件，打开graph.html后，显示结果如下。

4 源码地址

https://github.com/huachao1001/CNNGraph

        </div>
					<link href="https://****img.cn/release/phoenix/mdeditor/markdown_views-7b4cdcb592.css" rel="stylesheet">
            </div>