TensorFlow导出LSTM模型报错求助：freeze_graph调用异常

我在导出用于Android的LSTM模型时，执行freeze_graph.freeze_graph代码行时报错，代码如下：

freeze_graph.freeze_graph(path+'models/'+model_name+'_graph.pbtxt',None,False,path+'models/har_model.chkp-1',output_node_name,path+'save/restore_all',path+'save/Const:0',path+'models/frozen_'+model_name+'.pb',True,"")

已完成的前置代码：

from keras import backend as K
from tensorflow.python.tools import freeze_graph
import tensorflow as tf

input_node_name = ['lstm_1_input']
output_node_name = 'output/Softmax'
model_name = 'har_model'

graph_def_txt_path = path+'models/' + model_name + '_graph.pbtxt'
sess = tf.compat.v1.Session()
tf.io.write_graph(sess.graph_def, path+'models', model_name+'_graph.pbtxt')

checkpoint_path = path+'models/' + model_name + '.chkp'  # Adjust the path for Colab
checkpoint = tf.train.Checkpoint()
checkpoint.save(file_prefix=checkpoint_path)

frozen_graph_path = path+'models/frozen_' + model_name + '.pb'
tf.io.write_graph(sess.graph_def, path+'models', graph_def_txt_path)

报错原因排查及解决方案 #

1. 空Checkpoint导致无法恢复变量

你用tf.train.Checkpoint()创建的检查点没有绑定任何模型变量，相当于保存了一个空的检查点，freeze_graph找不到需要恢复的参数，必然报错。正确做法是将模型变量与Checkpoint绑定：

# 先将Keras模型关联到当前session
K.set_session(sess)
# 加载已训练好的权重（如果有）
model.load_weights("你的权重文件路径")

# 将模型变量绑定到Checkpoint
checkpoint = tf.train.Checkpoint(model=model)
# 或者直接绑定所有可训练变量
# checkpoint = tf.train.Checkpoint(**{v.name: v for v in tf.trainable_variables()})
checkpoint.save(file_prefix=checkpoint_path)

2. 计算图文件为空，参数配置错误

• 空计算图问题：你在创建session后直接写入graph_def，此时计算图中没有LSTM模型的结构，freeze_graph找不到指定的节点。需要先构建/加载模型，再写入计算图：

  # 先定义或加载你的LSTM模型
  model = 你的LSTM模型定义代码
  K.set_session(sess)
  model.compile(optimizer='adam', loss='categorical_crossentropy')
  # 训练或加载权重后，再写入计算图
  tf.io.write_graph(sess.graph_def, path+'models', model_name+'_graph.pbtxt', as_text=True)
  

• 参数配置错误：restore_op_name和filename_tensor_name参数是用于自定义恢复操作的，你没有生成对应的节点，应该设为空字符串，而非指定路径。

修正后的freeze_graph调用：

freeze_graph.freeze_graph(
    input_graph=path+'models/'+model_name+'_graph.pbtxt',
    input_saver="",
    input_binary=False,
    input_checkpoint=path+'models/har_model.chkp-1',
    output_node_names=output_node_name,
    restore_op_name="",
    filename_tensor_name="",
    output_graph=path+'models/frozen_'+model_name+'.pb',
    clear_devices=True,
    initializer_nodes=""
)

3. 更简便的替代方案：使用SavedModel格式

TensorFlow推荐用SavedModel格式导出模型，更适配跨平台部署（包括Android），步骤更简洁：

# 假设你的Keras模型是model
tf.saved_model.save(model, path+'saved_model')

# 直接转换为Android可用的TFLite格式
converter = tf.lite.TFLiteConverter.from_saved_model(path+'saved_model')
tflite_model = converter.convert()
with open(path+'har_model.tflite', 'wb') as f:
    f.write(tflite_model)

内容的提问来源于stack exchange，提问作者Hasan Seam