- 模型保存介绍
在老版本的TensorFlow中，对训练后的模型框架和参数分别保存在后缀为.ckpt和.meta的文件中。然而在新版本的TensorFlow中，模型的保存为三个文件：.ckpt-data、.ckpt-meta、.ckpt-index，以及一个名为checkpoint的文件.
其中，checkpoint 文件的意义在于只是告知TF function 哪一个文件是最后更新的checkpoint文档；
.ckpt-data 保存了不含模型结构的模型参数；在python中恢复模型时，可联合使用meta和data文件，或者单独使用.pb文件。
saver = tf.train.import_meta_graph(path_to_ckpt_meta)
saver.restore(sess, path_to_ckpt_data)
.ckpt-meta 保存了metagraph, 即不包含模型参数的模型结构。
.ckpt-index 的意义暂不明确，估计是对上述两个文件内部的一种映射关系，但该文件在恢复模型时不是必须的。
.pb 文件相当于 meta + data. 在c++语言中加载该模型时使用。
- pb模型转换
1.调试中出现的问题与解决：
在保存pb模型前，尝试利用meta和data两个文件直接恢复模型的框架和参数，并对单幅图像做测试。然而出现如下问题：
（1）.单幅图像的运行程序，为了提高推断效率，关闭了GPU的使用，os.environ[“CUDA_VISIBLE_DEVICES”]=”-1”,从而造成在恢复meta是无法加载，其原因是因为训练过程中使用的GPU，也许保存的模型框架也跟GPU产生关联；当注释掉上述语句，可顺利加载；
（2） 然而接下来，加载后meta 文件中保存的是训练模型的框架，各个参数矩阵维度结构包含当时训练的时候的batch，我设的batch==5，而现在如果要单幅图像测试的话，程序跑到run sess就挂起了，因为输入维度为[5, 55, 47, 3]而不是[1, 55, 47, 3]。解决方法是，不要使用之前已经保存的meta文件，而是在程序执行中在
with tf.Graph().as_default():下面直接调用模型框架函数，并定义模型的输入维度为[1, 55, 47, 3]，这样使得输出向量的批处理数值与输入保持一致。同时加载data文件，接着利用语句：
tf.train.write_graph(sess.graph_def,pb_save_path,pb_save_name)
将模型保存为一个.pb文档文件，该文件保存的是模型的结构文档。（注意：这里虽然文件后缀也是.pb，但其不是freeze后的二进制pb文件，而是模型结构文档）
对应生成该pb文档的位置：/home/weihua/models/research/slim/inference_deepID-v1_pb.py
后面将会利用该pb文档和-ckpt.data 联合生成pb模型文件，从而避免了输入输出结构函数维度不匹配的问题。
（3）pb模型的保存
/home/weihua/git/tensorflow/tensorflow/tensorflow/python/tool/freeze_graph .py 文件， 输入参数如下：
----input_graph=/home/weihua/models/research/slim/polar_skeleton-models/deepID_v1/model_deepID_v1.pb
\ 该输入为刚才保存的模型
----input_checkpoint=/home/weihua/models/research/slim/polar_skeleton-models/deepID_v1/model.ckpt-30000
\该输入为模型中变量的参数值
----output_graph=/home/weihua/models/research/slim/polar_skeleton-models/deepID_v1/frozen_deepID_v1.pb
\该输出为整合后需要保存的名称及位置
--output_node_names=Softmax
这个比较重要，只从哪个节点开始保存。之前我想从预测节点开始往上保存，虽然预测节点不在deepID_v1卷积网络模型内，但pb文档保存了所有的模型框架，因此可以从该节点开始保存。预测节点对应的名称为：Softmax：0
（2）pb模型的测试
测试文件：/home/weihua/models/research/slim/inference_deepID-v1_pb_read.py
pb模型加载方法：
with tf.Graph().as_default():
output_graph_def = tf.GraphDef()
with open(pb_file_path, "rb") as f:
output_graph_def.ParseFromString(f.read())
_ = tf.import_graph_def(output_graph_def, name="")
其次，需要对模型的输入和输出接口的名称从加载的模型框架中读取：
logits = sess.graph.get_tensor_by_name("Softmax:0")
img_tensor = sess.graph.get_tensor_by_name("Placeholder:0")
然后sess run， 程序成功运行。
