tensorflow中，已知meta文件，如何计算每层的output shape

在 TensorFlow 中，可以使用 `MetaGraphDef` 类来获取计算图的元信息，包括每个节点的输入、输出张量和形状等信息。

以下是获取每层输出形状的示例代码：

import tensorflow as tf

# 加载计算图的meta文件
graph_def = tf.compat.v1.GraphDef()
with tf.io.gfile.GFile('model.meta', 'rb') as f:
    graph_def.ParseFromString(f.read())

# 将计算图导入到默认的图中
tf.import_graph_def(graph_def)

# 获取默认图中的输入和输出张量
input_tensor_name = 'input_tensor:0'
output_tensor_name = 'output_tensor:0'
input_tensor = tf.compat.v1.get_default_graph().get_tensor_by_name(input_tensor_name)
output_tensor = tf.compat.v1.get_default_graph().get_tensor_by_name(output_tensor_name)

# 获取每层输出形状
with tf.compat.v1.Session() as sess:
    # 获取计算图中的所有节点
    nodes = [n for n in graph_def.node]

    # 遍历每个节点，获取输出形状
    for node in nodes:
        if 'input' in node.name or 'output' in node.name:
            continue
        shape = sess.run(tf.shape(tf.compat.v1.get_default_graph().get_tensor_by_name(node.name + ':0')), feed_dict={input_tensor: np.zeros((1, 224, 224, 3))})
        print('Node name: {}, output shape: {}'.format(node.name, shape))

其中，`input_tensor_name` 和 `output_tensor_name` 分别为计算图中输入和输出张量的名称，需要根据实际情况进行修改。在遍历每个节点时，我们使用 `tf.shape` 函数获取输出张量的形状，并通过 `feed_dict` 参数将输入张量的值传递给计算图。由于输入张量的形状可能不确定，这里使用了一个全零的输入张量来计算输出形状。

注意：这里假设计算图中所有节点的名称都以 `:0` 结尾，如果你的计算图中节点名称不是这种格式，需要根据实际情况进行修改。