我正在用Tensorflowand创建神经网络skflow；出于某种原因，我想获取给定输入的一些内部张量的值，所以我使用myClassifier.get_layer_value(input, "tensorName"),myClassifier作为skflow.estimators.TensorFlowEstimator.
但是，我发现很难找到张量名称的正确语法，即使知道它的名称（而且我对操作和张量感到困惑），所以我使用 tensorboard 来绘制图形并查找名称。
有没有办法在不使用张量板的情况下枚举图中的所有张量？
你可以做
[n.name for n in tf.get_default_graph().as_graph_def().node]
此外，如果您在 IPython 笔记本中进行原型设计，您可以直接在笔记本中显示图形，请参阅show_graphAlexander 的 Deep Dream笔记本中的函数
我将尝试总结答案：
获取图中的所有节点：（类型tensorflow.core.framework.node_def_pb2.NodeDef）
all_nodes = [n for n in tf.get_default_graph().as_graph_def().node]
要获取图中的所有操作：（类型tensorflow.python.framework.ops.Operation）
all_ops = tf.get_default_graph().get_operations()
要获取图表中的所有变量：（类型tensorflow.python.ops.resource_variable_ops.ResourceVariable）
all_vars = tf.global_variables()
获取图中的所有张量：（类型tensorflow.python.framework.ops.Tensor）
all_tensors = [tensor for op in tf.get_default_graph().get_operations() for tensor in op.values()]
要获取图表中的所有占位符：（类型tensorflow.python.framework.ops.Tensor）
all_placeholders = [placeholder for op in tf.get_default_graph().get_operations() if op.type=='Placeholder' for placeholder in op.values()]
张量流 2
要在 Tensorflow 2 中获取图形，tf.get_default_graph()您需要先实例化 atf.function并访问graph属性，例如：
graph = func.get_concrete_function().graph
哪里func是tf.function
有一种方法可以通过使用get_operations 比雅罗斯拉夫的回答稍微快一点。这是一个简单的例子：
import tensorflow as tf
a = tf.constant(1.3, name='const_a')
b = tf.Variable(3.1, name='variable_b')
c = tf.add(a, b, name='addition')
d = tf.multiply(c, a, name='multiply')
for op in tf.get_default_graph().get_operations():
print(str(op.name))
tf.all_variables()可以得到你想要的信息。
此外，今天在 TensorFlow Learn 中进行的此提交get_variable_names在估算器中提供了一个函数，您可以使用该函数轻松检索所有变量名称。
我认为这也可以：
print(tf.contrib.graph_editor.get_tensors(tf.get_default_graph()))
但与萨尔瓦多和雅罗斯拉夫的答案相比，我不知道哪个更好。
由于 OP 要求提供张量列表而不是操作/节点列表，因此代码应该略有不同：
graph = tf.get_default_graph()
tensors_per_node = [node.values() for node in graph.get_operations()]
tensor_names = [tensor.name for tensors in tensors_per_node for tensor in tensors]
接受的答案只为您提供带有名称的字符串列表。我更喜欢一种不同的方法，它可以让你（几乎）直接访问张量：
graph = tf.get_default_graph()
list_of_tuples = [op.values() for op in graph.get_operations()]
list_of_tuples现在包含每个张量，每个张量都在一个元组中。您还可以对其进行调整以直接获取张量：
graph = tf.get_default_graph()
list_of_tuples = [op.values()[0] for op in graph.get_operations()]
以前的答案很好，我只想分享一个我写的从图表中选择张量的实用函数：
def get_graph_op(graph, and_conds=None, op='and', or_conds=None):
"""Selects nodes' names in the graph if:
- The name contains all items in and_conds
- OR/AND depending on op
- The name contains any item in or_conds
Condition starting with a "!" are negated.
Returns all ops if no optional arguments is given.
Args:
graph (tf.Graph): The graph containing sought tensors
and_conds (list(str)), optional): Defaults to None.
"and" conditions
op (str, optional): Defaults to 'and'.
How to link the and_conds and or_conds:
with an 'and' or an 'or'
or_conds (list(str), optional): Defaults to None.
"or conditions"
Returns:
list(str): list of relevant tensor names
"""
assert op in {'and', 'or'}
if and_conds is None:
and_conds = ['']
if or_conds is None:
or_conds = ['']
node_names = [n.name for n in graph.as_graph_def().node]
ands = {
n for n in node_names
if all(
cond in n if '!' not in cond
else cond[1:] not in n
for cond in and_conds
)}
ors = {
n for n in node_names
if any(
cond in n if '!' not in cond
else cond[1:] not in n
for cond in or_conds
)}
if op == 'and':
return [
n for n in node_names
if n in ands.intersection(ors)
]
elif op == 'or':
return [
n for n in node_names
if n in ands.union(ors)
]
因此，如果您有一个带有操作的图表：
['model/classifier/dense/kernel',
'model/classifier/dense/kernel/Assign',
'model/classifier/dense/kernel/read',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd',
'model/classifier/ArgMax/dimension',
'model/classifier/ArgMax']
然后运行
get_graph_op(tf.get_default_graph(), ['dense', '!kernel'], 'or', ['Assign'])
返回：
['model/classifier/dense/kernel/Assign',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd']
以下解决方案适用于 TensorFlow 2.3 -
def load_pb(path_to_pb):
with tf.io.gfile.GFile(path_to_pb, 'rb') as f:
graph_def = tf.compat.v1.GraphDef()
graph_def.ParseFromString(f.read())
with tf.Graph().as_default() as graph:
tf.import_graph_def(graph_def, name='')
return graph
tf_graph = load_pb(MODEL_FILE)
sess = tf.compat.v1.Session(graph=tf_graph)
# Show tensor names in graph
for op in tf_graph.get_operations():
print(op.values())
MODEL_FILE冻结图的路径在哪里。
取自这里。
这对我有用：
for n in tf.get_default_graph().as_graph_def().node:
print('\n',n)