将模型.pb文件在tensorboard中展示结构

最新推荐文章于 2024-04-18 19:25:46 发布
最新推荐文章于 2024-04-18 19:25:46 发布
阅读量181 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 人工智能
原文链接：http://www.cnblogs.com/missidiot/p/9509945.html
本文介绍如何使用TensorFlow将训练完成的model.pb文件导入到TensorBoard中，以便于查看其网络结构。具体步骤包括：从PB文件恢复计算图、通过TensorBoard加载计算图并在浏览器中查看。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文介绍将训练好的model.pb文件在tensorboard中展示其网络结构。

1. 从pb文件中恢复计算图

import tensorflow as tf

model = 'model.pb' #请将这里的pb文件路径改为自己的
graph = tf.get_default_graph()
graph_def = graph.as_graph_def()
graph_def.ParseFromString(tf.gfile.FastGFile(model, 'rb').read())
tf.import_graph_def(graph_def, name='graph')
summaryWriter = tf.summary.FileWriter('log/', graph)

执行以上代码就会生成文件在log/events.out.tfevents.1535079670.DESKTOP-5IRM000。

2. 在tensorboard中加载

tensorboard --logdir D:\TCL\log

3. 在浏览器中

拷贝网站链接在浏览器中即可。

 

转载于:https://www.cnblogs.com/missidiot/p/9509945.html

tensorboard可视化模型结构和跟踪模型训练过程
weixin_40982849的博客
02-22 901
tensorboard可视化模型结构和跟踪模型训练过程
使用tensorboard可视化模型结构（meta）
黑手黛博拉的博客
08-03 2689
我们在使用Tensorflow目标检测API训练自己的数据集后，通过export_inference_graph.py得到训练模型，得到的训练模型有两种格式，分别为.pb和.meta。下面使用tensorboard可视化工具对其进行模型可视化。 .pb格式的可视化 import tensorflow as tf from tensorflow.python.platform import gfile # 从二进制格式的.pb文件加载模型 graph = tf.get_default_graph() gr
TensorBoard（3）模型图
黎国溥
06-18 1652
TensorBoard的图仪表盘（graph）是检测模型的强大工具，可以快速查看模型结构的预览图，并确保其符合预期想法。还可以查看操作级图，以了解Tensorflow程序。
【Pytorch】Tensorboard用法：标量曲线图、直方图、模型结构图
Jnchin的博客
11-03 1万+
在机器学习中，我们一般需要记录模型训练的评估指标、参数等等。TensorBoard就是一个功能极为强大的机器学习实时检测并可视化的工具。它可以实时跟踪并可视化loss、acc等标量，可以使用直方图、分布图来展示权重和梯度分布的变化，也可以展示出模型的架构图，还可以将将嵌入向量投影到较低维度的空间从而可视化等等。 起源 TensorBoard最早是TensorFlow 的可视化工具包。早期PyTorch是不支持Tensorboard的，于是lanpa大佬就开发了一个完全支持PyTorch的Tensorboar
DL | 快速使用Tensorboard可视化模型参数和模型结构
iLOVEJohnny的博客
11-25 3255
题外话：最近因为毕设的关系时间比较紧张，所以没有及时总结。不过这个问题遇到让人很棘手，但紧急解决办法又出乎意料，所以一记。之后如果有补上较为规范的解法，再补充内容。 问题陈述： 使用现有算法的Tensorflow代码，希望看到网络的可视化结构，怎么办？ 官方答案： Tensorboard可视化官方文档 快速方法： 网上找了很多资料都会索引回Tensorflo
加载pb文件加载任意模型，并结合tensorboard查看模型结构_loadPbFiles.zip
09-30
在本主题中，重点是使用tensorboard来查看已经加载的pb文件模型的结构图。这一功能对于模型的设计者和使用者都至关重要，因为模型结构图能够清晰地展示模型的层次和连接方式，帮助相关人员理解模型的工作原理。 在...
利用tensorboard查看pb模型图
cdj0311的专栏
04-29 3180
1. 模型图和参数全保存在一个pb文件里（即freeze出来的模型），查看模型图代码如下： import tensorflow as tf with tf.Session() as sess: model_filename ='model/freezon.pb' with tf.gfile.GFile(model_filename, 'rb') as f: gr...
tensorflow打印模型图_tensorflow打印pb、ckpt模型的参数以及在tensorboard里显示图结构...
weixin_39583162的博客
12-20 1762
打印pb模型参数及可视化结构import tensorflow as tffrom tensorflow.python.framework import graph_utiltf.reset_default_graph() # 重置计算图output_graph_path = '/home/huihua/NewDisk/stuff_detector_v1.pb'with tf.Session()...
查看TensorFlow的pb模型文件的ops和tensor并使用TensorBoard可视化
Never-Giveup的博客
01-17 6090
加载pb模型文件，并输出定义 model = 'model.pb' with tf.Session() as sess: with open(model, 'rb') as model_file: graph_def = tf.GraphDef() graph_def.ParseFromString(f.read()) print(graph...
tensorflow保存数据为.ｐｂ格式和加载ｐｂ文件
热门推荐
fu6543210的博客
05-16 6万+
最近接触了ｔｅｎｓｏｒｆｌｏｗ的ｏｂｊｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ＡＰＩ发现里面读取的预先训练模型都是ｐｂ格式。谷歌推荐的保存模型的方式是保存模型为 PB 文件，它具有语言独立性，可独立运行，封闭的序列化格式，任何语言都可以解析它，它允许其他语言和深度学习框架读取、继续训练和迁移 TensorFlow 的模型。它的主要使用场景是实现创建模型与使用模型的解耦， 使得前向推导 inference的代码...
tensor pb文件可视化
04-16
可用于单独的pb模型文件的可视化，利用tensorboard --logdir='路径'
数字识别参数模型，model.pb
08-01
mnist手写数字识别model，pb格式。inputs Variable Variable/read Variable_1 Variable_1/read Conv2D add Relu MaxPool Variable_2 Variable_2/read Variable_3 Variable_3/read Conv2D_1 add_1 Relu_1 MaxPool_1 Variable_4 Variable_4/read Variable_5 Variable_5/read Reshape/shape Reshape MatMul add_2 Relu_2 Variable_6 Variable_6/read Variable_7 Variable_7/read MatMul_1 logits softmax
pb模型内部结构可视化
weixin_45075206的博客
08-01 601
pb模型内部结构通过tensorboard可视化
深度学习——模型训练添加TensorBoard实时分析可视化训练过程
qq_40280673的博客
04-18 3958
TensorBoard是用于可视化和调试机器学习模型的工具。它可以帮助跟踪训练过程中的各种指标，例如损失值、准确率等，并查看模型的结构和参数分布。TensorBoard由Google开发，最初用于TensorFlow框架，现在也支持PyTorch。
tensorflow [saved_model,.pb]模型生成及处理以及多模型合并到上线服务请求从0到1
码世界
12-03 2886
多模型合并：在模型上线时，我们训练的多个模型往往功能相似或相近或有某种联系，在请求模型的返回结果时，如果一个接一个的去请求，会严重影响程序的效率。并发请求虽然能够缓解这种现象，理论上甚至可以达到与单个模型相同的请求时间，但是实际操作与理论还是有很大差距的。很明显，这种将模型串联起来的方式不够科学。如果把这些模型并联起来，分别接受相同或不同的输入，效果会大大不同，其运行效率与单个模型相差无几。 接...
使用 TensorBoard 可视化模型，数据和训练
yanglamei1962的博客
05-22 1069
我们向您展示了如何加载数据，如何通过定义为nn.Module子类的模型提供数据，如何在训练数据上训练该模型以及在测试数据上对其进行测试。为了了解发生的情况，我们在模型训练期间打印一些统计数据，以了解训练是否在进行中。但是，我们可以做得更好：PyTorch 与 TensorBoard 集成在一起，TensorBoard 是一种工具，用于可视化神经网络训练运行的结果。本教程使用说明了其某些功能，可以使用将其读入 PyTorch。我们将从。
TensorBoard模型可视化
xjtuse123的博客
05-19 1396
Tensorboard是一个基于浏览器的交互式工具，可以让我们看到学习过程，并探索我们训练好的模型。 要运行Tensorboard，首先到命令终端“开始”>Anaconda>Anaconda Prompt,输入activate tensorflow 然后，告诉Tensorboard记录的相关摘要：tensorboad --lo...
升级TensorFlow和OpenCV后无法直接读取saved_model.pb文件？
UaCode的博客
09-21 274
综上所述，当升级TensorFlow和OpenCV后无法直接读取saved_model.pb文件时，我们可以尝试使用TensorFlow兼容性模块、降级到TensorFlow 1.x版本或将模型转换为OpenVINO模型。在进行TensorFlow和OpenCV的升级后，一些用户可能会遇到无法直接读取saved_model.pb文件的问题。如果使用的是TensorFlow 2.x版本，可以尝试降级到TensorFlow 1.x版本，因为OpenCV通常对TensorFlow 1.x更兼容。
TensorFlow保存训练模型为pb文件，读取pb恢复模型
qq_38409301的博客
07-11 3621
转载：https://blog.csdn.net/sxlsxl119/article/details/81937815 python线上训练模型比较方便，有时候想要在C++环境下调用python训练好的模型，应该怎么做呢？折腾了好几天，终于搞定了！ 一，第一步，训练保存模型 贴自己源代码太复杂，贴个简化版，表明主要意思就行，别人做的东西不可能和你的完全一样，需要在理解别人意思的基础上，对自己的代...
将tensorflow训练的模型转为onnx模型，需要怎么转换，每一个过程需要的文件和方式是什么。我转换.pb文件总是包含训练节点怎么办
最新发布
06-27
<think>我们有两个主要问题：1.将TensorFlow模型转换为ONNX的具体步骤及所需文件；2.如何避免.pb文件中包含训练节点。根据引用[1]和引用[2]的内容，我们可以知道模型转换过程中可能需要切割模型（删除部分节点）以及不同框架支持的输入数据类型。首先，我们需要明确转换的输入是什么。TensorFlow模型通常有两种保存格式：a)FrozenGraphDef(.pb文件)：这种格式将模型结构和权重冻结在一起，但不包含训练节点（如优化器、损失计算等），通常用于推理。b)SavedModel格式：一个包含模型结构和权重的目录，可能包含训练节点。然而，用户提到“.pb文件包含训练节点”，这可能是由于在保存模型时没有正确冻结模型。因此，我们需要先解决如何获得一个不包含训练节点的.pb文件（即冻结的推理图）。步骤1：确保我们有一个冻结的推理图（不含训练节点）-如果用户使用的是TensorFlow1.x，可以使用`freeze_graph`工具将检查点文件（checkpoint）和模型结构文件（.pb）合并成一个冻结的.pb文件。-如果用户使用的是TensorFlow2.x，推荐使用SavedModel格式，然后从中导出冻结的模型。或者，在保存模型时，确保只保存推理所需的计算图。步骤2：使用转换工具（如tf2onnx）将冻结的.pb文件或SavedModel转换为ONNX。具体步骤：一、准备TensorFlow模型（确保不含训练节点）1.对于TensorFlow1.x：-通常，我们会有一个模型结构文件（如`model.pb`）和检查点文件（`.ckpt`）。-使用`freeze_graph`工具生成冻结的模型：```bashfreeze_graph--input_graph=model.pb--input_checkpoint=model.ckpt--output_graph=frozen_model.pb--output_node_names=output_node```其中`output_node`是推理时需要的输出节点名称。2.对于TensorFlow2.x：-使用SavedModel格式保存模型，然后在保存时只保存推理图。例如：```pythonmodel.save('saved_model_dir',save_format='tf')```-或者，使用`tf.compat.v1.graph_util.convert_variables_to_constants`将变量冻结为常量（适用于TF2的Graph模式）。二、转换模型为ONNX-使用tf2onnx工具进行转换：1.如果使用冻结的.pb文件：```bashpython-mtf2onnx.convert--graphdeffrozen_model.pb--outputmodel.onnx--inputsinput_node:0--outputsoutput_node:0```其中`input_node:0`和`output_node:0`需要根据模型的实际输入输出节点名称替换。2.如果使用SavedModel格式（TF2）：```bashpython-mtf2onnx.convert--saved-modelsaved_model_dir--outputmodel.onnx```三、验证转换后的ONNX模型-使用ONNXRuntime加载模型并运行推理，与原始TensorFlow模型的结果进行对比，确保精度一致。针对用户问题中提到的“.pb文件包含训练节点”，解决方法是在转换前确保模型被正确冻结，即只保留推理所需的节点。可以通过以下方法避免训练节点：-在保存模型时，只保存推理图。在TensorFlow中，我们可以通过指定输入和输出的SignatureDef来保存推理图（SavedModel格式会自动处理）。-如果已经有一个包含训练节点的.pb文件，可以使用图修改工具（如图编辑API）删除训练节点。但更推荐重新导出为冻结的推理图。引用[1]中提到，可以使用模型切割（即删除部分模型）的方法来处理TensorFlow模型。在转换过程中，我们可以通过指定输入和输出来切割模型，只保留需要的部分。在tf2onnx中，通过`--inputs`和`--outputs`参数指定输入输出节点，这些节点之间的子图将被保留，其他节点会被丢弃。因此，如果原始图中包含训练节点，但我们在转换时只指定了推理所需的输入输出节点，那么训练节点将不会出现在转换后的图中。总结步骤：1.确保有一个冻结的TensorFlow模型（.pb或SavedModel格式），如果不确定，可以通过重新导出冻结模型来避免训练节点。2.使用tf2onnx工具转换，指定正确的输入输出节点名称（如果使用SavedModel格式，通常不需要指定，因为tf2onnx会自动从签名中获取）。3.如果原始模型包含训练节点，但无法重新导出冻结模型，则在转换时通过`--inputs`和`--outputs`参数明确指定推理所需的输入输出节点，这样tf2onnx会自动切割出子图。注意：在转换过程中，可能会遇到不支持的算子。这时需要查看tf2onnx的文档，看是否有自定义的转换方法，或者考虑使用其他转换工具（如ONNXMLTools）。引用[3]提供了修改ONNX模型输入输出维度的方法，这在转换后可能需要使用，以便模型支持动态输入。因此，针对用户问题，我们给出以下步骤：步骤1：冻结TensorFlow模型（去除训练节点）步骤2：使用tf2onnx转换步骤3：验证和调整ONNX模型（可选，如修改输入输出维度）最后，我们生成相关问题。</think>### TensorFlow模型转ONNX格式的完整步骤 #### 一、核心概念澄清 1. **模型转换本质**：转换的是**模型本身**（计算图结构+权重参数），而非推理脚本 2. **输入文件要求**：需要冻结的推理图（.pb文件）或SavedModel格式 3. **输出文件**：生成标准ONNX格式文件（.onnx） #### 二、转换步骤详解 ##### 步骤1：准备TensorFlow模型（关键：去除训练节点） ```python import tensorflow as tf from tensorflow.python.framework import graph_util # 加载已训练模型 model = tf.keras.models.load_model('your_model.h5') # 转换为冻结推理图（关键步骤） frozen_graph = tf.compat.v1.graph_util.convert_variables_to_constants( tf.compat.v1.keras.backend.get_session(), tf.compat.v1.get_default_graph().as_graph_def(), [output.op.name for output in model.outputs] # 明确指定输出节点 ) # 保存为.pb文件（不包含训练节点） with tf.io.gfile.GFile('frozen_model.pb', 'wb') as f: f.write(frozen_graph.SerializeToString()) ``` **避免训练节点的关键**： 1. 使用`convert_variables_to_constants`冻结变量 2. 明确指定输出节点名称（如`Identity:0`） 3. 禁用`training=True`等训练专用参数[^1] ##### 步骤2：使用tf2onnx进行转换 ```bash # 安装转换工具 pip install tf2onnx # 转换冻结的.pb文件 python -m tf2onnx.convert \ --graphdef frozen_model.pb \ --output model.onnx \ --inputs Input:0 \ # 替换为实际输入节点名 --outputs Identity:0 # 替换为实际输出节点名 # 或转换SavedModel格式 python -m tf2onnx.convert \ --saved-model saved_model_dir \ --output model.onnx ``` **参数说明**： - `--inputs`/`--outputs`：通过TensorBoard查看节点名称 - `--opset`：指定ONNX算子集版本（默认15） ##### 步骤3：验证与优化 ```python import onnx # 验证模型结构 onnx_model = onnx.load('model.onnx') onnx.checker.check_model(onnx_model) # 动态维度支持（引用[3]） from onnx.tools import update_model_dims updated_model = update_model_dims.update_inputs_outputs_dims( onnx_model, {'input_name': ['batch', 3, -1, -1]}, # 动态尺寸 {'output_name': ['batch', 1, -1, -1]} ) ``` #### 三、文件需求清单 | 阶段 | 必需文件 | 可选文件 | |------|----------|----------| | 输入 | 冻结的.pb或SavedModel | 原始训练代码 | | 转换 | 节点名称清单 | 自定义算子映射 | | 输出 | .onnx文件 | 验证数据集 | #### 四、常见问题解决 1. **训练节点残留问题**： - 使用`graph_util.remove_training_nodes()`显式删除 - 检查输出节点是否包含梯度计算 - 转换时添加`--fold_const`优化[^2] 2. **算子不支持问题**： ```bash # 查看未转换的算子 python -m tf2onnx.convert --help | grep "unsupported" # 自定义算子映射（示例） --custom-ops aten::CustomOp ``` 3. **动态维度处理**： - 使用`update_inputs_outputs_dims()`修改维度[^3] - 转换时指定`--placeholder-shape`参数 #### 五、转换后验证 ```python import onnxruntime as ort import numpy as np # 对比原始模型与ONNX推理结果 tf_output = tf_model.predict(test_data) ort_session = ort.InferenceSession('model.onnx') onnx_output = ort_session.run(None, {'input': test_data})[0] np.testing.assert_allclose(tf_output, onnx_output, rtol=1e-3) ``` > **关键提示**：对于复杂模型（如引用[4]的文本分类模型），建议使用SavedModel格式转换，可保留更多元数据信息[^2]。 --- ### 相关问题 1. 如何验证转换后的ONNX模型是否保持了原始TensorFlow模型的精度？ 2. 在TensorFlow模型转换为ONNX时遇到不支持的算子，有哪些解决方案？ 3. ONNX模型如何支持动态批次大小和可变尺寸输入？ 4. 转换后的ONNX模型在不同推理引擎（如TensorRT/OpenVINO）中的性能差异如何评估？ 5. 对于包含自定义层的TensorFlow模型，转换ONNX时需要哪些特殊处理？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值