使用graph_util()函数将TensorFlow模型转化为可用的图

TensorFlow的graph_util()函数可以用于将训练好的模型转换为可用的图。以下是一个使用示例，展示了如何使用graph_util()函数将模型保存为.pb文件，并加载为TensorFlow会话中的图。

首先，假设我们有一个已经训练好的模型，包含输入数据节点(input)、输出节点(output)和训练节点(train)。我们要将这个模型保存为.pb文件，以便在其他地方使用。

import tensorflow as tf

# 假设有一个已经训练好的模型，包含输入节点(input)、输出节点(output)和训练节点(train)
input_node = ...
output_node = ...
train_node = ...

# 建立一个保存模型的Saver
saver = tf.train.Saver()

# 创建一个TensorFlow会话
with tf.Session() as sess:
    # 初始化变量
    sess.run(tf.global_variables_initializer())

    # 训练模型

    # 将训练好的模型保存为.pb文件
    model_path = "./model.pb"
    saver.save(sess, model_path)

# 加载保存的模型
graph = tf.Graph()
with graph.as_default():
    # 加载模型
    graph_def = tf.GraphDef()
    with tf.gfile.FastGFile(model_path, 'rb') as f:
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')

# 在新的TensorFlow会话中使用模型
with tf.Session(graph=graph) as sess:
    # 获取输入和输出节点
    input_tensor = sess.graph.get_tensor_by_name('input_name:0')
    output_tensor = sess.graph.get_tensor_by_name('output_name:0')

    # 使用模型进行预测
    output_value = sess.run(output_tensor, feed_dict={input_tensor: input_data})

在这个示例中，我们首先使用saver.save()函数将训练好的模型保存为.pb文件。然后，我们使用tf.Graph()创建一个新的图，并使用tf.gfile.FastGFile()函数加载.pb文件的内容。最后，我们创建一个新的TensorFlow会话，并使用sess.graph.get_tensor_by_name()函数获取输入和输出节点，然后使用sess.run()函数对模型进行预测。

总结来说，使用graph_util()函数将TensorFlow模型转化为可用的图的步骤如下：

1. 使用saver.save()函数将训练好的模型保存为.pb文件。

2. 使用tf.Graph()创建一个新的图。

3. 使用tf.gfile.FastGFile()函数加载.pb文件的内容。

4. 创建一个新的TensorFlow会话，并使用sess.graph.get_tensor_by_name()函数获取输入和输出节点。

5. 使用sess.run()函数对模型进行预测或其他操作。

这是一个简单的示例，你可以根据具体的模型和需求进行更改和扩展。