tensorflow 根据节点名称获取节点

可以使用 `tf.get_default_graph().get_tensor_by_name(name)` 方法根据节点名称获取节点，其中 `name` 参数为需要获取的节点名称。该方法返回的是一个 `Tensor` 对象，可以直接用于计算图中的计算。如果节点不存在，则会抛出 `ValueError` 异常。需要注意的是，如果计算图中存在多个同名节点，则只会返回其中一个节点。如果需要获取所有同名节点，则需要使用 `tf.get_collection()` 方法。

相关问题

获取ckpt输出节点名称

您可以使用TensorFlow的`inspect_checkpoint`模块来获取ckpt文件中的所有变量，然后根据变量名找到要输出的节点名称。

以下是一个示例代码，它列出了给定ckpt文件中的所有变量名称：

import tensorflow as tf
from tensorflow.python.tools import inspect_checkpoint

ckpt_path = "/path/to/your/ckpt/file"

# List all variables in the checkpoint file
inspect_checkpoint.print_tensors_in_checkpoint_file(ckpt_path, tensor_name='', all_tensors=True)

输出将类似于以下内容：

tensor_name:  dense/kernel (DT_FLOAT) [784,10]
[[ 0.02416449 -0.0475637   0.0556073  ... -0.05033178  0.04500757
  -0.02516449]
 [-0.05762496 -0.03277328 -0.00278839 ...  0.06256668 -0.03260396
  -0.03537507]
 ...
 [-0.0303502   0.03090762 -0.04702229 ...  0.04498903  0.04480387
   0.01993509]
 [-0.04007631 -0.00890576  0.01127442 ... -0.01387329 -0.00065558
   0.00172326]]
tensor_name:  dense/bias (DT_FLOAT) [10]
[ 0.02104062 -0.02318692 -0.02234132 -0.00386816  0.03873952  0.02142542
 -0.0235577   0.0084792  -0.02807822  0.00934654]
...

在这个例子中，`dense/kernel`和`dense/bias`是两个变量，它们分别对应Dense层的权重和偏差。您可以使用这些变量名称来找到这些节点的输出名称。例如，如果您想输出Dense层的激活值，则可以使用以下代码：

import tensorflow as tf

ckpt_path = "/path/to/your/ckpt/file"

with tf.Session() as sess:
    saver = tf.train.import_meta_graph(ckpt_path + '.meta')
    saver.restore(sess, ckpt_path)

    # Find the output tensor by name
    output_tensor = sess.graph.get_tensor_by_name("dense/BiasAdd:0")

    # Run the session to get the output
    output_value = sess.run(output_tensor, feed_dict={...})

在这个例子中，`dense/BiasAdd:0`是Dense层的输出节点名称，您可以使用`sess.graph.get_tensor_by_name()`方法来获取它。然后，您可以使用`sess.run()`方法来运行该节点并获得输出值。请注意，您需要将正确的输入数据提供给`feed_dict`参数。

获取pb模型的参数量，tensorflow1.15

我们可以使用以下代码来获取pb模型的参数量：

import tensorflow as tf

# 读取pb模型
with tf.gfile.GFile('path/to/model.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

# 统计参数量
total_params = 0
for node in graph_def.node:
    if 'Variable' in node.op or 'Bias' in node.name:
        shape = [d.size for d in node.attr['shape'].shape.dim]
        total_params += tf.reduce_prod(shape).numpy()

print('Total number of parameters: %d' % total_params)

在这个代码中，我们首先使用`tf.gfile.GFile`读取pb模型，然后使用`tf.GraphDef`将模型解析为图形定义。接下来，我们遍历所有的节点，检查节点名称是否包含`Variable`或`Bias`，如果是，我们就解析该节点的形状，并使用`tf.reduce_prod`计算该节点的参数数量。最后，我们将所有节点的参数数量相加，得到总参数量。