如何用Tensorflow训练模型成pb文件和和如何加载已经训练好的模型文件1

训练模型成pb文件：

首先，你需要先定义并训练好一个Tensorflow模型。在模型训练完成后，你可以使用Tensorflow的`freeze_graph.py`脚本将模型转换为pb文件。

在终端中输入以下命令：

python tensorflow/python/tools/freeze_graph.py \
--input_graph=<input_graph.pb> \
--input_checkpoint=<input_checkpoint> \
--output_graph=<output_graph.pb> \
--output_node_names=<output_node_names>

其中：

- `<input_graph.pb>`：模型的GraphDef文件。
- `<input_checkpoint>`：模型的checkpoint文件。
- `<output_graph.pb>`：转换后的pb文件的输出路径。
- `<output_node_names>`：输出节点的名称，可以在定义模型时指定。

例如：

python tensorflow/python/tools/freeze_graph.py \
--input_graph=./models/graph.pb \
--input_checkpoint=./models/model.ckpt \
--output_graph=./models/frozen_graph.pb \
--output_node_names=output_node

这将把`graph.pb`和`model.ckpt`转换为`frozen_graph.pb`文件。其中`output_node`是模型定义时指定的输出节点名称。

加载已经训练好的模型文件：

要加载已经训练好的模型文件，你需要使用Tensorflow的`tf.Session()`来创建一个会话，并使用`tf.train.import_meta_graph()`方法将模型的MetaGraph文件导入到当前的计算图中。然后，你可以使用`tf.get_default_graph()`方法获取默认的计算图，并使用`get_tensor_by_name()`方法获取模型中的张量。

以下是一个加载已经训练好的模型文件的示例代码：

import tensorflow as tf

# 创建一个会话
sess = tf.Session()

# 加载MetaGraph文件
saver = tf.train.import_meta_graph('./models/model.ckpt.meta')

# 恢复变量
saver.restore(sess, './models/model.ckpt')

# 获取默认计算图
graph = tf.get_default_graph()

# 获取模型中的张量
input_tensor = graph.get_tensor_by_name('input:0')
output_tensor = graph.get_tensor_by_name('output:0')

在这个例子中，我们使用`saver.restore()`方法恢复了模型的变量，然后获取了模型中的`input`和`output`张量。这里`input`和`output`是在定义模型时所命名的张量名称。