TensorFlow中training_util.write_graph()函数的注意事项和使用技巧

在TensorFlow中，training_util.write_graph()函数是一个用于将计算图写入文件的实用工具函数。它可以用于保存模型的计算图结构，方便后续使用或进行可视化。

使用training_util.write_graph()函数时，需要注意以下几点：

1. 函数的参数graph_def是一个tf.GraphDef对象，表示待保存的计算图。可以通过tf.get_default_graph().as_graph_def()获取当前默认计算图的GraphDef对象。

2. 参数logdir表示保存计算图的目录路径。若目录不存在，则会自动创建，但需要有对该目录的写入权限。

3. 参数name表示保存的文件名，可以自定义文件名，但需要添加文件扩展名，如.pb。

下面是一个使用training_util.write_graph()函数的例子：

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

# 构建计算图
a = tf.placeholder(tf.float32, name='a')
b = tf.placeholder(tf.float32, name='b')
c = tf.add(a, b, name='c')

# 获取计算图的GraphDef对象
graph_def = tf.get_default_graph().as_graph_def()

# 保存计算图
logdir = './log'
name = 'graph.pb'
training_util.write_graph(graph_def, logdir, name, as_text=False)

在上述例子中，首先构建了一个简单的计算图，计算了两个输入a和b的和，并赋予名称c。然后使用tf.get_default_graph().as_graph_def()获取默认计算图的GraphDef对象。最后调用training_util.write_graph()函数将计算图保存到指定目录。

需要注意的是，as_text参数控制保存的计算图文件是否以文本形式保存。若设置为True，则保存为文本格式；若设置为False，则保存为二进制格式，默认为True。

使用training_util.write_graph()函数可以方便地保存包含变量和操作的计算图，以便后续进行模型的加载、部署和可视化等操作。