import tensorflow as tf

#from create_tf_record import *

from tensorflow.python.framework import graph_util

def freeze_graph(input_checkpoint,output_graph):

　　'''

　　:param input_checkpoint:

　　:param output_graph: PB模型保存路径

　　:return:

　　'''

　　# checkpoint = tf.train.get_checkpoint_state(model_folder) #检查目录下ckpt文件状态是否可用

　　# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路径

　　 

　　# 指定输出的节点名称,该节点名称必须是原模型中存在的节点

　　#output_node_names = "InceptionV1/Logits/Predictions/Reshape_1"

　　#output_node_names = "resnet_v1_101/rpn_conv/3x3/weights/Momentum"

　　output_node_names = "resnet_v1_101/bbox_pred/weights"

　　#trainable_scopes = 'InceptionResnetV2/Logits,InceptionResnetV2/AuxLogits'

　　

　　saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)

　　graph = tf.get_default_graph() # 获得默认的图

　　input_graph_def = graph.as_graph_def() # 返回一个序列化的图代表当前的图

 

　　with tf.Session() as sess:

　　　　saver.restore(sess, input_checkpoint) #恢复图并得到数据

　　　　output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，将变量值固定

　　　　　　sess=sess,

　　　　　　input_graph_def=input_graph_def,# 等于:sess.graph_def

　　　　　　output_node_names=output_node_names.split(","))# 如果有多个输出节点，以逗号隔开

 

　　　　with tf.gfile.GFile(output_graph, "wb") as f: #保存模型

　　　　　　f.write(output_graph_def.SerializeToString()) #序列化输出

　　　　print("%d ops in the final graph." % len(output_graph_def.node)) #得到当前图有几个操作节点

 

#input_checkpoint='inceptionv1/model.ckpt-0'

input_checkpoint = "output/res101/voc_2007_trainval+voc_2012_trainval/default/res101_faster_rcnn_iter_110000.ckpt"

#out_pb_path='inceptionv1/frozen_model.pb'

out_pb_path = "output/pb_model/frozen_model_110000_Variable.pb"

freeze_graph(input_checkpoint, out_pb_path)