這節是關於tensorflow的Freezing，字面意思是冷凍，可理解為整合合併；整合什麼呢，就是將模型檔案和權重檔案整合合併為一個檔案，主要用途是便於釋出。

這裡我按我的理解翻譯下，不對的地方請指正：

有一點令我們為比較困惑的是，tensorflow在訓練過程中，通常不會將權重資料儲存的格式檔案裡（這裡我理解是模型檔案），反而是分開儲存在一個叫checkpoint的檢查點檔案裡，當初始化時，再通過模型檔案裡的變數Op節點來從checkoupoint檔案讀取資料並初始化變數。這種模型和權重資料分開儲存的情況，使得釋出產品時不是那麼方便，所以便有了freeze_graph.py指令碼檔案用來將這兩檔案整合合併成一個檔案。

freeze_graph.py是怎麼做的呢？首行它先載入模型檔案，再從checkpoint檔案讀取權重資料初始化到模型裡的權重變數，再將權重變數轉換成權重 常量 （因為 常量 能隨模型一起儲存在同一個檔案裡），然後再通過指定的輸出節點將沒用於輸出推理的Op節點從圖中剝離掉，再重新儲存到指定的檔案裡（用write_graphdef或Saver）

檔案目錄：tensorflow/python/tools/free_graph.py

測試檔案：tensorflow/python/tools/free_graph_test.py 這個測試檔案很有學習價值

引數：

總共有11個引數，一個個介紹下(必選： 表示必須有值；可選： 表示可以為空)：

1、input_graph：（必選）模型檔案，可以是二進位制的pb檔案，或文字的meta檔案，用input_binary來指定區分（見下面說明）

2、input_saver：（可選）Saver解析器。儲存模型和許可權時，Saver也可以自身序列化儲存，以便在載入時應用合適的版本。主要用於版本不相容時使用。可以為空，為空時用當前版本的Saver。

3、input_binary：（可選）配合input_graph用，為true時，input_graph為二進位制，為false時，input_graph為檔案。預設False

4、input_checkpoint：（必選）檢查點資料檔案。訓練時，給Saver用於儲存權重、偏置等變數值。這時用於模型恢復變數值。

5、output_node_names：（必選）輸出節點的名字，有多個時用逗號分開。用於指定輸出節點，將沒有在輸出線上的其它節點剔除。

6、restore_op_name：（可選）從模型恢復節點的名字。升級版中已棄用。預設：save/restore_all

7、filename_tensor_name：（可選）已棄用。預設：save/Const:0

8、output_graph：（必選）用來儲存整合後的模型輸出檔案。

9、clear_devices：（可選），預設True。指定是否清除訓練時節點指定的運算裝置（如cpu、gpu、tpu。cpu是預設）

10、initializer_nodes：（可選）預設空。許可權載入後，可通過此引數來指定需要初始化的節點，用逗號分隔多個節點名字。

11、variable_names_blacklist：（可先）預設空。變數黑名單，用於指定不用恢復值的變數，用逗號分隔多個變數名字。

用法：

例：python tensorflow/python/tools/free_graph.py \
--input_graph=some_graph_def.pb \ 注意：這裡的pb檔案是用tf.train.write_graph方法儲存的
--input_checkpoint=model.ckpt.1001 \ 注意：這裡若是r12以上的版本，只需給.data-00000....前面的檔名，如：model.ckpt.1001.data-00000-of-00001，只需寫model.ckpt.1001  
--output_graph=/tmp/frozen_graph.pb 

--output_node_names=softmax

另外，如果模型檔案是.meta格式的，也就是說用saver.Save方法和checkpoint一起生成的元模型檔案，free_graph.py不適用，但可以改造下：

1、copy free_graph.py為free_graph_meta.py

2、修改free_graph.py，匯入meta_graph：from tensorflow.python.framework import meta_graph

3、將91行到97行換成：input_graph_def = meta_graph.read_meta_graph_file(input_graph).graph_def

這樣改即可載入meta檔案