C++ TensorFlow 0.12模型文件

我训练模型并使用以下方法保存：

saver = tf.train.Saver()
saver.save(session, './my_model_name')

除了检查点文件（仅包含指向模型最新检查点的指针）之外，这将在当前路径中创建以下3个文件：

my_model_name.meta

my_model_name.index

my_model_name.data-00000-of-00001

我想知道每个文件都包含什么

<>我想把这个模型加载到C++中并运行推理。该示例使用

ReadBinaryProto（）

从单个.bp文件加载模型。我想知道如何从这3个文件中加载它。下面的C++等价物是什么？

new_saver = tf.train.import_meta_graph('./my_model_name.meta')
new_saver.restore(session, './my_model_name')

---

我现在自己也在努力解决这个问题，我发现现在做起来并不简单。关于这一主题，最常被引用的两个教程是： 和

相当于

new_saver = tf.train.import_meta_graph('./my_model_name.meta')
new_saver.restore(session, './my_model_name')

只是

Status load_graph_status = LoadGraph(graph_path, &session);

假设您“冻结了图形”（使用脚本将图形文件与检查点值组合）。

---

另外，请参见此处的讨论：

您的保护程序创建的内容称为“Checkpoint V2”，并在TF 0.12中引入

<>我把它做得很好（虽然C++部分的文档很糟糕，所以我花了一天时间来解决）。有些人建议或，但实际上并不需要这些

Python部分（保存）

如果您使用

tf.trainable_variables（）

创建

Saver

，您可以为自己节省一些麻烦和存储空间。但是，可能一些更复杂的模型需要保存所有数据，然后将此参数删除到

保存程序

，只需确保在创建图形后创建

保存程序。为所有变量/层指定唯一的名称也是非常明智的，否则您可能会遇到不同的问题

C++部分（推理）

请注意，
checkpointPath
不是任何现有文件的路径，只是它们的公共前缀。如果您错误地将
.index
文件的路径放在那里，TF不会告诉您这是错误的，但由于未初始化变量，它会在推断过程中死亡

#include <tensorflow/core/public/session.h>
#include <tensorflow/core/protobuf/meta_graph.pb.h>

using namespace std;
using namespace tensorflow;

...
// set up your input paths
const string pathToGraph = "models/my-model.meta"
const string checkpointPath = "models/my-model";
...

auto session = NewSession(SessionOptions());
if (session == nullptr) {
    throw runtime_error("Could not create Tensorflow session.");
}

Status status;

// Read in the protobuf graph we exported
MetaGraphDef graph_def;
status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
if (!status.ok()) {
    throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
}

// Add the graph to the session
status = session->Create(graph_def.graph_def());
if (!status.ok()) {
    throw runtime_error("Error creating graph: " + status.ToString());
}

// Read weights from the saved checkpoint
Tensor checkpointPathTensor(DT_STRING, TensorShape());
checkpointPathTensor.scalar<std::string>()() = checkpointPath;
status = session->Run(
        {{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },},
        {},
        {graph_def.saver_def().restore_op_name()},
        nullptr);
if (!status.ok()) {
    throw runtime_error("Error loading checkpoint from " + checkpointPath + ": " + status.ToString());
}

// and run the inference to your liking
auto feedDict = ...
auto outputOps = ...
std::vector<tensorflow::Tensor> outputTensors;
status = session->Run(feedDict, outputOps, {}, &outputTensors);

谢谢你，伊恩。我也发现了这一点：好发现。似乎他们做了我们正在做的事情，但是只用Python而不是C++。我现在正在研究这个问题：是什么引发了这个问题：你们最终成功了吗？我也在努力，我尝试了很多不同的方法，但是大多数都无法保存变量值，其他的崩溃或者给我一个常数输出在C++中…我终于做到了。当我有机会的时候，我会试着给你一个答案，除非有人比我快。@Ianonway抱歉，我更快：）我只是想知道你是否收敛到了同一点=）
#include <tensorflow/core/public/session.h>
#include <tensorflow/core/protobuf/meta_graph.pb.h>

using namespace std;
using namespace tensorflow;

...
// set up your input paths
const string pathToGraph = "models/my-model.meta"
const string checkpointPath = "models/my-model";
...

auto session = NewSession(SessionOptions());
if (session == nullptr) {
    throw runtime_error("Could not create Tensorflow session.");
}

Status status;

// Read in the protobuf graph we exported
MetaGraphDef graph_def;
status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
if (!status.ok()) {
    throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
}

// Add the graph to the session
status = session->Create(graph_def.graph_def());
if (!status.ok()) {
    throw runtime_error("Error creating graph: " + status.ToString());
}

// Read weights from the saved checkpoint
Tensor checkpointPathTensor(DT_STRING, TensorShape());
checkpointPathTensor.scalar<std::string>()() = checkpointPath;
status = session->Run(
        {{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },},
        {},
        {graph_def.saver_def().restore_op_name()},
        nullptr);
if (!status.ok()) {
    throw runtime_error("Error loading checkpoint from " + checkpointPath + ": " + status.ToString());
}

// and run the inference to your liking
auto feedDict = ...
auto outputOps = ...
std::vector<tensorflow::Tensor> outputTensors;
status = session->Run(feedDict, outputOps, {}, &outputTensors);

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('models/my-model.meta')
    saver.restore(sess, tf.train.latest_checkpoint('models/'))
    outputTensors = sess.run(outputOps, feed_dict=feedDict)