freeze_graph()我以前使用freeze_graph()答案freeze_graph() ，它仅在您将其作为脚本调用时才freeze_graph() ，还有一个非常不错的函数，它将为您完成所有繁重的工作，适合从您的常规模型训练代码中调用。

convert_variables_to_constants()做两件事：

• 通过用常量替换变量来冻结权重
• 它删除与前馈预测无关的节点

假设sess是您的tf.Session() ， "output"是您的预测节点的名称，下面的代码会将您的最小图形序列化为文本和二进制protobuf。

from tensorflow.python.framework.graph_util import convert_variables_to_constants

minimal_graph = convert_variables_to_constants(sess, sess.graph_def, ["output"])

tf.train.write_graph(minimal_graph, '.', 'minimal_graph.proto', as_text=False)
tf.train.write_graph(minimal_graph, '.', 'minimal_graph.txt', as_text=True)

这是@Mostafa答案的另一种说法。运行tf.assign ops的一种更tf.assign是将它们存储在tf.group 。这是我的Python代码：

  ops = []
  for v in tf.trainable_variables():
    vc = tf.constant(v.eval())
    ops.append(tf.assign(v, vc));
  tf.group(*ops, name="assign_trained_variables")

在C ++中：

  std::vector<tensorflow::Tensor> tmp;
  status = session.Run({}, {}, { "assign_trained_variables" }, &tmp);
  if (!status.ok()) {
    // Handle error
  }

这样，您只有一个命名的op可以在C ++端运行，因此您不必在节点上进行迭代。

我不知道如何实现mrry描述的方法。但是这是我如何解决的。我不确定这是否是解决问题的最佳方法，但至少可以解决问题。

由于write_graph也可以存储常量的值，因此在使用write_graph函数编写图形之前，我向python添加了以下代码：

for v in tf.trainable_variables():
    vc = tf.constant(v.eval())
    tf.assign(v, vc, name="assign_variables")

这将创建在训练后存储变量值的常量，然后创建张量“ assign_variables ”以将其分配给变量。现在，当您调用write_graph时，它将以常量形式将变量的值存储在文件中。

剩下的唯一部分是在c代码中将这些张量称为“ assign_variables ”，以确保为变量分配了存储在文件中的常量值。这是一种实现方法：

      Status status = NewSession(SessionOptions(), &session);
      std::vector<tensorflow::Tensor> outputs;
      char name[100];
      for(int i = 0;status.ok(); i++) {
        if (i==0)
            sprintf(name, "assign_variables");
        else
            sprintf(name, "assign_variables_%d", i);

        status = session->Run({}, {name}, {}, &outputs);
      }

编辑： freeze_graph.py脚本是TensorFlow信息库的一部分，现在用作从现有TensorFlow GraphDef和保存的检查点生成代表“冻结”训练模型的协议缓冲区的工具。它使用与以下所述相同的步骤，但使用起来容易得多。

目前，该过程的文档尚不完善（有待完善），但大致步骤如下：

1. 建立和训练你的模型作为tf.Graph称为g_1 。
2. 获取每个变量的最终值，并将它们存储为numpy数组（使用Session.run() ）。
3. 在名为g_2 的新tf.Graph ，使用在步骤2中获取的相应numpy数组的值为每个变量创建tf.constant()张量。

4. 使用tf.import_graph_def()从复制节点g_1到g_2 ，并使用input_map参数替换每个变量g_1与相应tf.constant()在第三步建立张量你也可能需要使用input_map指定新输入张量（例如，用tf.placeholder()替换输入管道 ）。使用return_elements参数指定预测的输出张量的名称。

5. 调用g_2.as_graph_def()以获取图形的协议缓冲区表示形式。

（ 注意：生成的图将在图中包含额外的节点以进行训练。尽管它不是公共API的一部分，但您可能希望使用内部graph_util.extract_sub_graph()函数从图中剥离这些节点。）