具有导入图定义和指数移动平均值的Tensorflow Colorate问题

我对GraphDef中的colocate信息有疑问

以下是我遵循的高级步骤

使用

tf.Train.ExponentialMovingAverage

训练

估计器

，并将EMA预测用于预测模式

导出到

SavedModel

从

SavedModel

重新加载

GraphDef

，并使用

extract\u sub\u graph

使用

Freeze\u graph\u with_def_protos

在步骤4。我得到一个错误

ValueError:节点'layer/kernel/ExponentialMovingAverage'期望与未知节点'layer/kernel'共定位。

下面是我用来训练模型的代码

#train.py
导入日志记录
从pathlib导入路径
导入系统
导入tensorflow作为tf
def ema_getter（ema）：
def_ema_getter（getter，name，*args，**kwargs）：
var=getter（名称，*args，**kwargs）
均线风险=均线平均值（风险值）
如果ema\U var else var返回ema\U var
返回(ema)getter
def型号（特征、标签、模式、参数）：
#pylint:disable=未使用的参数
“”“虚拟模型\u fn”“”
如果存在（功能、指令）：#用于服务
特征=特征['feature']
预测=tf.layers.dense（特征，1，name=“层”）
预测=tf.identity（预测，name=“预测”）
ema=tf.训练指数移动平均值（1.0）
变量=tf.get\u集合(
tf.GraphKeys.TRAINABLE_VARIABLES，tf.get_variable_scope（）.name）
ema_op=ema.apply（变量）
使用tf.variable\u scope（tf.get\u variable\u scope（），reuse=True，custom\u getter=ema\u getter（ema））：
预测\u ema=tf.layers.dense（特征，1，name=“层”）
预测值=tf.identity（预测值，name=“预测值”）
如果mode==tf.estimator.ModeKeys.PREDICT：
preds={
“预测”：预测
}
返回tf.estimator.EstimatorSpec（模式，预测=预测）
其他：
损失=tf.nn.l2_损失（预测-标签）
如果模式==tf.estimator.ModeKeys.EVAL：
返回tf.estimator.estimator规范(
模式，损耗=损耗）
elif模式==tf.estimator.ModeKeys.TRAIN：
训练op=tf.train.AdamOptimizer（学习率=0.5）。最小化(
丢失，全局步骤=tf.train.get\u全局步骤（）
返回tf.estimator.estimator规范(
模式，损失=损失，列车运行=tf.组（[列车运行，ema运行]）
其他：
引发未实现的错误（）
def传动系_发电机_fn（）：
对于范围（100）内的数字：
产量[数量，数量]，[2*数量]
def序列输入\ U fn（）：
形状，类型=（2，1），（tf.float32，tf.float32）
dataset=tf.data.dataset.from_生成器(
列车发电机，输出类型=类型，输出形状=形状）
数据集=数据集。批处理（20）。重复（200）
返回数据集
def服务_输入_接收器_fn（）：
“”“为输入提供服务\fn从占位符生成功能”
退换商品
-------
tf.estimator.export.ServingingInputReceiver
"""
number=tf.placeholder（dtype=tf.float32，shape=[None，1]，name='number'）
接收器\张量={'number'：number}
features=tf.tile（数字，倍数=[1,2]）
返回tf.estimator.export.ServingInputReceiver（特征、接收器张量）
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
#伐木
路径（'model'）.mkdir（exist\u ok=True）
tf.logging.set_详细信息（logging.INFO）
处理程序=[
logging.FileHandler（'model/train.log'），
logging.StreamHandler（sys.stdout）
]
logging.getLogger（'tensorflow'）。handlers=handlers
#训练估计器
估计量=tf.estimator.estimator（模型_fn，'model'，params={}）
列车估计器（列车输入）
#出口
估算器。导出保存的模型（“保存的模型”，服务于输入接收器）

以及我用来优化图形的代码

#optimize.py
从pathlib导入路径
导入tensorflow作为tf
从tensorflow.python.tools.freeze_graph导入带有def_protos的freeze_graph_
从tensorflow.python.framework.graph\u util导入提取子图
从tensorflow.core.framework.graph_pb2导入GraphDef
def优化和导出（导出目录：str，输出：str）：
使用tf.Session（）作为sess：
g=tf.saved_model.loader.load（sess，[“service”]、export_dir）
推理图=提取子图（g.graph\u def，[“预测图”]）
g=冻结图（带定义协议）(
推理图，
没有一个
没有一个
"预测",，
没有一个
没有一个
没有一个
没有一个
没有一个
输入\保存\模型\目录=导出\目录，
已保存的_模型_标记=[“服务”]，
)
写入图（g，logdir=str（Path（output）.parent），name=Path（output）.name，as_text=False）
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
export_dir=str（已排序（路径（'saved_model'）.glob（'*'））[0]）
打印（f“从{export_dir}重新加载”）
优化和导出（导出目录“保存的模型/最终版”）

我的理解是

tf.train.ExponentialMovingAverage

在节点（原始版本和EMA版本）之间添加了托管信息

注意：共定位似乎意味着“这些变量应该位于同一个设备上”

这个冒号信息出现在图形protobuf（SavedModel导出）中

提取子图时，仅保留变量的EMA版本，但保留了托管信息，这在创建图时会导致问题，该图尝试查找原始的托管变量（不再存在）

我找到了一种方法，手动修改protobuf并用

def优化和导出（导出目录：str，输出：str）：
使用tf.Session（）作为sess：
g=tf.saved_model.loader.load（sess，[“service”]、export_dir）
在里面