1. ## 判断CUDA是否可用
    2. tf.test.is_built_with_cuda()
    6. ##判断GPU是否可用
    7. tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None)
    11. ## Tensorboard可视化训练
    12. import tensorflow as tf
    13. summ_scalar_list = []
    14. summ_scalar_list.append(tf.summary.scalar('F1_loss', loss[1]))
    15. summ_scalar_list.append(tf.summary.scalar('F2_loss', loss[2]))
    16. summ_scalar = tf.summary.merge(summ_scalar_list)
    17. writer = tf.summary.FileWriter(logpath, sess.graph)
    18. writer = tf.summary.FileWriter(logpath)
    19. writer.add_summary(sess.run(summ_scalar, feed_dict=feed_dict), iters)
    20. # 禁止输入特殊字符
    21. tensorboard --logdir=/home/yifei.wang/log    
    25. ### tensorflow模型
    26. ## CheckPoint(*.ckpt)：仅包含权重数据
    27. init = tf.global_variables_initializer()
    28. sess = tf.Session()
    29. sess.run(init)
    30. global_vars = tf.global_variables()
    31. saver = tf.train.Saver(var_list=global_vars)
    32. # 保存
    33. saver.save(sess, 'model.ckpt', epoch)
    34. saver.save(sess=sess, save_path=model_save_path, global_step=step) # step作为后缀加到模型名字中
    35. """
    36. ## 保存后文件：调用后创建3个数据文件1个检查点文件
    37. 1. checkpoint                         # 检查点文件
    38. 2.model.ckpt.data-00000-of-00001      # weights等参数以dict形式保存至该文件
    39. 3.model.ckpt.index                    # 内部需要的某种索引来正确映射1、2文件
    40. 4.model.ckpt.meta                     # MetaGraph数据保存至该文件，可使用tf.train.import_meta_graph加载
    41. """
    42. # 加载
    43. model_file=tf.train.latest_checkpoint('ckpt/')    # 自动获取最后一次保存的模型
    44. saver.restore(sess, 'model.ckpt')
    47. ## GraphDef(*.pd): 表示MetaGraph的protocol buffer格式文件；MetaGraph包含计算图节点及相关张量
    48. import tensorflow as tf
    49. x = tf.placeholder(tf.float32, name="input")
    50. a = tf.Variable(tf.constant(5., shape=[1]), name="a")
    51. b = tf.Variable(tf.constant(6., shape=[1]), name="b")
    52. c = tf.Variable(tf.constant(10., shape=[1]), name="c")
    53. d = tf.Variable(tf.constant(2., shape=[1]), name="d")
    54. tensor1 = tf.multiply(a, b,"mul")
    55. tensor2 = tf.subtract(tensor1, c,"sub")
    56. tensor3 = tf.div(tensor2, d,"div")
    57. result = tf.add(tensor3, x, "add")
    58. inial = tf.global_variables_initializer()
    59. sess = tf.Session()
    60. sess.run(init)
    61. result = sess.run(result, feed_dict={x: 1.0})
    62. # 保存
    63. # 将计算图中变量转换为常量，并指定输出节点为'add'
    64. constant_graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['add'])  
    65. with tf.gfile.FastGFile('model.pb', mode='wb') as fd:  
    66.   # 将计算图写入该pb文件  
    67.     fd.write(constant_graph.SerializeToString())        
    68. # 加载
    69. with tf.gfile.FastGFile('model.pb', 'rb') as fd:
    70.     graph_def = tf.GraphDef()
    71.     graph_def.ParseFromString(fd.read())
    72.     result, x = tf.import_graph_def(graph_def, return_elements=['add:0', 'input:0'])
    73.     result = sess.run(result, feed_dict={x: 5.0})
    76. """
    77.     ## checkpoint(*.ckpt)
    78.   由tf.train.Saver()对象调用saver.save()生成，只包含若干Variables对象序列化后的数据，不包含图结构.
    79.   仅有checkponit模型不提供代码无法重新构建计算图
    80.   加载checkpoint时，调用saver.restore(session, checkpoint_path)
    82. """
    84. """
    85.     ## GraphDef(*.pd)
    86.     包含protobuf(Protocol Buffers，Google的序列化框架)对象序列化后的数据
    87.     包含计算图，可得到所有运算符(Operators)细节
    88.     包含张量(tensors)和Variables定义，但不包括Variable值，因此只能从中恢复图，但一些训练的权值仍需要从checkpoint恢复
    89. """
    92. # 利用*.pd文件构建计算图
    93. def load_graph(model_file):
    94.     graph = tf.Graph()
    95.     graph_def = tf.GraphDef()
    96.     with open(model_file, 'rb') as f:
    97.         graph_def.ParseFromString(f.read())
    98.     with graph.as_default():
    99.         tf.import_graph_def(graph_def)
    100.     return graph
    102. ## 查看tf的版本及cpu or gpu
    103. tf.__version__()
    104. sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))