如何使用training_util.write_graph()函数将TensorFlow计算图保存为graph_def对象

TensorFlow中的training_util.write_graph()函数用于将TensorFlow的计算图保存为graph_def对象。graph_def是TensorFlow中存储计算图的二进制文件，可以通过加载这个文件来恢复计算图。

下面是使用training_util.write_graph()函数的示例：

import tensorflow as tf

# 创建一个简单的计算图
a = tf.constant(2, name='a')
b = tf.constant(3, name='b')
c = tf.add(a, b, name='c')

# 保存计算图为graph_def对象
graph = tf.get_default_graph()
graph_def = graph.as_graph_def()
output_path = 'path/to/save/graph_file.pb'
tf.train.write_graph(graph_def, './', output_path, as_text=False)

上面的代码首先创建了一个简单的计算图，包含两个常量（a和b）和一个加法操作（c）。然后使用tf.get_default_graph()函数获取默认的计算图，并通过as_graph_def()方法获取计算图的graph_def对象。最后，调用tf.train.write_graph()函数将graph_def对象保存为二进制文件。

tf.train.write_graph()函数的参数说明如下：

- graph_def: 需要保存的graph_def对象，可以从tf.Graph对象中使用as_graph_def()方法获取。

- logdir: 保存计算图的目录路径。

- name: 保存计算图的文件名。

- as_text: 指定保存的文件是二进制文件还是文本文件，默认为False，保存为二进制文件。

注意事项：

- logdir参数指定了保存计算图的目录路径，并不是保存的文件的路径。最终的保存文件路径是logdir/name。如果指定了文件夹路径，那么TensorFlow会创建这个文件夹，并在其中保存计算图文件。

- 如果将as_text参数设置为True，那么保存的文件将是一个文本文件，可以通过文本编辑器打开查看。如果将其设置为False，保存的文件将是一个二进制文件，可以通过TensorFlow的API来加载和使用。

这是如何从保存的graph_def文件中加载计算图的示例：

import tensorflow as tf

# 从保存的graph_def文件中加载计算图
graph_def = tf.compat.v1.GraphDef()
input_path = 'path/to/save/graph_file.pb'
with tf.io.gfile.GFile(input_path, 'rb') as f:
  graph_def.ParseFromString(f.read())

# 恢复计算图
with tf.Graph().as_default() as graph:
  tf.import_graph_def(graph_def)

上面的代码首先创建了一个tf.GraphDef()对象，然后通过ParseFromString()方法加载保存的graph_def文件。最后，通过tf.import_graph_def()方法将graph_def导入新的计算图中。

这样，我们就可以使用保存的graph_def文件恢复TensorFlow的计算图了。

总结起来，使用training_util.write_graph()函数将TensorFlow的计算图保存为graph_def对象非常简单，只需要提供计算图和保存路径即可。然后，我们可以通过加载保存的graph_def文件来恢复计算图并使用它进行推理或训练。