import tensorflow as tf #from create_tf_record import * from tensorflow.python.framework import graph_util
def freeze_graph(input_checkpoint,output_graph): 　　''' 　　:param input_checkpoint: 　　:param output_graph: PB模型保存路径 　　:return: 　　''' 　　# checkpoint = tf.train.get_checkpoint_state(model_folder) #检查目录下ckpt文件状态是否可用 　　# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路径 　　  　　# 指定输出的节点名称,该节点名称必须是原模型中存在的节点 　　#output_node_names = "InceptionV1/Logits/Predictions/Reshape_1" 　　#output_node_names = "resnet_v1_101/rpn_conv/3x3/weights/Momentum" 　　output_node_names = "resnet_v1_101/bbox_pred/weights" 　　#trainable_scopes = 'InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits' 　　
　　saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True) 　　graph = tf.get_default_graph() # 获得默认的图 　　input_graph_def = graph.as_graph_def() # 返回一个序列化的图代表当前的图   　　with tf.Session() as sess: 　　　　saver.restore(sess, input_checkpoint) #恢复图并得到数据 　　　　output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，将变量值固定 　　　　　　sess=sess, 　　　　　　input_graph_def=input_graph_def,# 等于:sess.graph_def 　　　　　　output_node_names=output_node_names.split(","))# 如果有多个输出节点，以逗号隔开   　　　　with tf.gfile.GFile(output_graph, "wb") as f: #保存模型 　　　　　　f.write(output_graph_def.SerializeToString()) #序列化输出 　　　　print("%d ops in the final graph." % len(output_graph_def.node)) #得到当前图有几个操作节点  
#input_checkpoint='inceptionv1/model.ckpt-0' input_checkpoint = "output/res101/voc_2007_trainval+voc_2012_trainval/default/res101_faster_rcnn_iter_110000.ckpt"
#out_pb_path='inceptionv1/frozen_model.pb' out_pb_path = "output/pb_model/frozen_model_110000_Variable.pb"
freeze_graph(input_checkpoint, out_pb_path)