TensorFlow：如何将经过训练的模型参数保存到可以导入其他框架的文件中？

我希望通过解析保存的文件，将经过训练的模型的参数（卷积和完全连接层的权重和偏差）传递给其他框架或语言，包括iOS和Torch

我尝试了

tf.train.write_graph（session.graph\u def，，'graph.pb'）

，但它似乎只包括没有权重和偏差的图形体系结构。如果是这样，创建检查点文件（

saver.save（session，“model.ckpt”）

是最好的方法吗？用Swift或其他语言解析ckpt文件类型容易吗

---

如果您有任何建议，请告诉我。

您不需要解析

.ckpt

文件，只需尝试计算张量（在您的例子中是卷积层的权重）并以numpy数组的形式获取值即可。下面是一个快速玩具示例（在r0.10上测试-在较新版本中可能会有一些小的API更改）：

输出：

[[-0.02913031  0.13549708]
 [ 0.13807134  0.03763327]]
[[ 1.13549709]
 [ 1.0376333 ]]

如果您在获取对张量的引用时遇到困难（假设它嵌套在更高级别的“层”操作中），请尝试按名称查找。更多信息请点击此处：

---

如果您想了解训练期间权重的变化情况，还可以尝试将所有感兴趣的值保存到

tf.Summary

对象中，并在以后解析它们：

谢谢，请让我澄清。在获得上述输出后，TensorFlow用户通常如何使用一些文件（我猜是.dat或.pb）存储这些值以通过其他平台？如果您的其他平台是基于Python的，最快的方法是创建pickle文件（或numpy数组）文件。如果您想要更跨平台的东西，也许像HDF5这样的二进制格式更合适（我个人使用HDF5来分发一些数据集）

[[-0.02913031  0.13549708]
 [ 0.13807134  0.03763327]]
[[ 1.13549709]
 [ 1.0376333 ]]