网上关于tensorflow模型文件ckpt格式转pb文件的帖子很多，本人几乎尝试了所有方法，最后终于成功了，现总结如下。方法无外乎下面两种：
使用tensorflow.python.tools.freeze_graph.freeze_graph 使用graph_util.convert_variables_to_constants1、tensorflow模型的文件解读
使用tensorflow训练好的模型会自动保存为四个文件，如下
checkpoint：记录近几次训练好的模型结果（名称）。
xxx.data-00000-of-00001: 模型的所有变量的值(weights, biases, placeholders,gradients, hyper-parameters etc)，也就是模型训练好参数和其他值。
xxx.index ：模型的元数据，二进制或者其他格式，不可直接查看 。是一个不可变得字符串表，每一个键都是张量的名称，它的值是一个序列化的BundleEntryProto。 每个BundleEntryProto描述张量的元数据：“数据”文件中的哪个文件包含张量的内容，该文件的偏移量，校验和一些辅助数据等。
xxx.meta：模型的meta数据 ，二进制或者其他格式，不可直接查看，保存了TensorFlow计算图的结构信息，通俗地讲就是神经网络的网络结构。
2、最常见的ckpt转pb文件的方法
2、ckpt转pb文件（freeze_graph.freeze_graph）
此种方法尝试成功，虽然不知道输出节点名，但是只要模型代码还在就可以操作，直接上代码。
import tensorflow as tf
import os
from tensorflow.python.tools import freeze_graph
from model import network # network是你们自己定义的模型结构（代码结构）
# egs:
# def network(input)：
# return tf.layers.softmax(input)
model_path = "model.ckpt-0000" #设置model的路径，因新版tensorflow会生成三个文件，只需写到数字前
def main():
tf.reset_default_graph()
# 设置输入网络的数据维度，根据训练时的模型输入数据的维度自行修改
input_node = tf.placeholder(tf.float32, shape=(None, None, 200))
output_node = network(input_node) # 神经网络的输出
# 设置输出数据类型（特别注意，这里必须要跟输出网络参数的数据格式保持一致，不然会导致模型预测 精度或者预测能力的丢失）以及重新定义输出节点的名字（这样在后面保存pb文件以及之后使用pb文件时直接使用重新定义的节点名字即可）
flow = tf.cast(output_node , tf.float16, 'the_outputs')
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, model_path)
#保存模型图（结构），为一个json文件
tf.train.write_graph(sess.graph_def, 'output_model/pb_model', 'model.pb')
#将模型参数与模型图结合，并保存为pb文件
freeze_graph.freeze_graph('output_model/pb_model/model.pb', '', False, model_path, 'the_outputs','save/restore_all', 'save/Const:0', 'output_model/pb_model/frozen_model.pb', False, "")
print("done")
if __name__ == '__main__':
main()
2、ckpt转pb文件（graph_util.convert_variables_to_constants）
没有成功，因为不知道输出节点的名字，使用该方法保存后的pb文件只有几十k，无法使用，写在这里主要是为了总结。直接上代码，代码里面没有的库（函数），按提示自行import。
def freeze_graph(input_checkpoint,output_graph):
'''
:param input_checkpoint:
:param output_graph: PB模型保存路径
:return:
'''
# checkpoint = tf.train.get_checkpoint_state(model_folder) #检查目录下ckpt文件状态是否可用
# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路径
# 指定输出的节点名称,该节点名称必须是原模型中存在的节点
output_node_names = "InceptionV3/Logits/SpatialSqueeze"
saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
graph = tf.get_default_graph() # 获得默认的图
input_graph_def = graph.as_graph_def() # 返回一个序列化的图代表当前的图
with tf.Session() as sess:
saver.restore(sess, input_checkpoint) #恢复图并得到数据
output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，将变量值固定
sess=sess,
input_graph_def=input_graph_def,# 等于:sess.graph_def
output_node_names=output_node_names.split(","))# 如果有多个输出节点，以逗号隔开
with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
f.write(output_graph_def.SerializeToString()) #序列化输出
print("%d ops in the final graph." % len(output_graph_def.node)) #得到当前图有几个操作节点
# for op in graph.get_operations():
# print(op.name, op.values())
if __name__ == '__main__':
# 输入ckpt模型路径
input_checkpoint='models/model.ckpt-10000'
# 输出pb模型的路径
out_pb_path="models/pb/frozen_model.pb"
# 调用freeze_graph将ckpt转为pb
freeze_graph(input_checkpoint,out_pb_path)
