在TensorFlow中使用training_util.write_graph()函数保存计算图的方法详解

使用training_util.write_graph()函数可以将TensorFlow的计算图保存为.pb文件，方便后续的使用和导入。下面将详细介绍如何使用这个函数，并给出一个使用例子。

首先，我们需要导入必要的模块：

import tensorflow as tf
from tensorflow.python.training import training_util

接下来，我们定义一些用于保存计算图的相关参数：

# 模型保存路径
model_dir = './model'
# 计算图的文件名
graph_filename = 'graph.pb'

然后，我们需要定义一个计算图，这里以一个简单的线性回归模型为例：

# 定义计算图
tf.reset_default_graph()
x = tf.placeholder(tf.float32, shape=[None])
y_true = tf.placeholder(tf.float32, shape=[None])
w = tf.Variable(0.0, name='weight')
b = tf.Variable(0.0, name='bias')
y_pred = tf.add(tf.multiply(x, w), b)
loss = tf.reduce_mean(tf.square(y_pred - y_true))

接下来，我们可以使用training_util.write_graph()函数将计算图保存为.pb文件：

with tf.Session() as sess:
    # 初始化变量
    sess.run(tf.global_variables_initializer())
    # 保存计算图
    training_util.write_graph(sess.graph_def, model_dir, graph_filename)

这样，计算图就被保存为一个.pb文件了。在这个例子中，计算图被保存在了./model/graph.pb路径下。

为了验证计算图是否被保存成功，我们可以使用TensorBoard来查看计算图的可视化结果。在命令行中执行以下命令：

tensorboard --logdir=model_dir

其中，model_dir是保存计算图的文件夹路径。然后在浏览器中打开 http://localhost:6006 就可以看到计算图可视化的结果了。

另外，我们还可以使用tf.train.import_meta_graph()函数将.pb文件中保存的计算图导入到一个新的会话中：

with tf.Session() as sess:
    # 导入计算图
    saver = tf.train.import_meta_graph(model_dir + '/model.meta')
    # 加载模型参数
    saver.restore(sess, tf.train.latest_checkpoint(model_dir))
    # 获取计算图
    graph = tf.get_default_graph()
    # 使用计算图进行计算
    x = graph.get_tensor_by_name('Placeholder:0')
    y_true = graph.get_tensor_by_name('Placeholder_1:0')
    y_pred = graph.get_tensor_by_name('Add:0')
    loss = graph.get_tensor_by_name('Mean:0')
    # 运行计算图
    feed_dict = {x: [1, 2, 3, 4], y_true: [3, 5, 7, 9]}
    y_pred_val, loss_val = sess.run([y_pred, loss], feed_dict=feed_dict)

这样，我们就可以使用新的会话来加载之前保存的计算图，并进行计算了。

总结来说，使用training_util.write_graph()函数可以将TensorFlow的计算图保存为.pb文件，方便后续的使用和导入。我们可以使用TensorBoard来查看计算图的可视化结果，也可以使用tf.train.import_meta_graph()函数将保存的计算图导入到一个新的会话中进行计算。