如果在Keras中构建模型时未明确指定输出节点，则可以像这样将它们打印出来：

[print(n.name) for n in tf.get_default_graph().as_graph_def().node]

然后，您所需要做的就是找到正确的名称，该名称通常类似于激活功能的名称。您可以只使用在freeze_graph函数中找到的字符串名称作为output_node_names的值。

您可以使用Keras model.summary（）来获取最后一层的名称。

如果model.outputs不为空，则可以通过以下方式获取节点名称：

[node.op.name for node in model.outputs]

您通过以下方式获得会话

session = keras.backend.get_session()

然后通过以下方式将所有训练变量转换为const

min_graph = convert_variables_to_constants(session, session.graph_def, [node.op.name for node in model.outputs])

之后，您可以通过以下方式编写protobuf文件

tensorflow.train.write_graph(min_graph, "/logdir/", "file.pb", as_text=True)

您也可以使用tensorflow实用程序： summarize_graph找到可能output_nodes 。从官方文档中 ：

该工具支持的许多转换都需要知道模型的输入和输出层是什么。最好的来源是模型训练过程，其中对于分类器，输入将是从训练集中接收数据的节点，而输出将是预测。如果不确定，summary_graph工具可以检查模型并提供有关可能的输入和输出节点的猜测，以及其他对调试有用的信息。

它只需要保存的图形pb文件作为输入。查看文档中的示例。

output_node_names应该包含您打算用于推理的图节点的名称（例如softmax）。它用于提取推理所需的子图 。查看Frozen_graph_test可能有用。