TensorFlow的模型格式
1.CheckPoint（.ckpt）
在训练TensorFlow模型时，每迭代若干轮需要保存一次权值到磁盘，称为“checkpoint”。这种格式文件是由tf.train.Saver()对象调用saver.save()生成的，只包含若干Variables对象序列化后的数据，不包含图结构，所以只给checkpoint模型不提供代码是无法重新构建计算图的。载入checkpoint时，调用saver.restore(session, checkpoint_path)。
2.MetaGraphDef（.meta）
类：MetaGraphDef，包含MetaInfoDef、GraphDef、SaverDef、CollectionDef。
序列化存储格式：protobuf，.meta文件。
3.GraphDef（.pb）
这种格式文件包含protobuf对象序列化后的数据，包含了计算图，可以从中得到所有运算符（operators）的细节，也包含张量（tensors）和Variables定义，但不包含Variable的值，因此只能从中恢复计算图，但一些训练的权值仍需要从checkpoint中恢复。
利用.pb文件构建计算图：
def load_graph(model_file):
graph = tf.Graph()
graph_def = tf.GraphDef()
with open(model_file, "rb") as f:
graph_def.ParseFromString(f.read())
with graph.as_default():
tf.import_graph_def(graph_def)
return graph
4.FrozenGraphDef（.pb）
TensorFlow一些例程中用到.pb文件作为预训练模型，这和上面GraphDef格式稍有不同，属于冻结（Frozen）后的GraphDef文件，简称FrozenGraphDef格式。这种文件格式不包含Variables节点。将GraphDef中所有Variable节点转换为常量（其值从checkpoint获取），就变为FrozenGraphDef格式。代码可以参考 tensorflow/python/tools/freeze_graph.py。.pb 为二进制文件，实际上protobuf也支持文本格式（.pbtxt），但包含权值时文本格式会占用大量磁盘空间，一般不用。
TensorFlow固化模型
扣丁学堂浅谈将TensorFlow的模型网络导出为单个文件的方法（讲的很好）
Tensorflow 模型文件格式转换（重点是.pb和.pbtxt的转换）
1.利用TensorFlow提供的接口freeze_graph.py。
2.convert_variables_to_constants
其实在TensorFlow中传统的保存模型方式是保存常量以及graph的，而我们的权重主要是变量，如果我们把训练好的权重变成常量之后再保存成PB文件，这样确实可以保存权重，就是方法有点繁琐，需要一个一个调用eval方法获取值之后赋值，再构建一个graph，把W和b赋值给新的graph。
Google编写了一个方法供我们快速的转换并保存。
from tensorflow.python.framework.graph_util import convert_variables_to_constants
在想要保存的地方加入如下代码，把变量转换成常量。这里参数第一个是当前的session，第二个为graph，第三个是输出节点名。
output_graph_def = convert_variables_to_constants(sess, sess.graph_def, output_node_names=['output/predict'])
生成文件。
with tf.gfile.FastGFile('model/CTNModel.pb', mode='wb') as f:
f.write(output_graph_def.SerializeToString())
测试保存的模型正常读取、运行。
newInput_X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT * IMAGE_WIDTH], name="X")
with open('./model/rounded_graph.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
output = tf.import_graph_def(graph_def,
input_map={'inputs/X:0': newInput_X},
return_elements=['output/predict:0'])
text_list = sesss.run(output, feed_dict={newInput_X: [captcha_image]})
参考
TensorFlow 到底有几种模型格式？（SavedModel接口没看）
tensorflow，使用freeze_graph.py将模型文件和权重数据整合在一起并去除无关的Op（利用tensorflow提供的接口）