我已经训练了一个具有以下功能的自定义神经网络：
tf.estimator.train_and_evaluate
经过正确培训后，它包含以下文件：
现在，我需要将每层的 weight 和 biases 导出到原始数据结构中，例如数组numpy。
我已经阅读了TensorFlow以及其他主题的多个页面，但是都找不到这个问题。我想做的第一件事是按照此处的建议将fils和frozen.py放到graph.pd中：
Tensorflow: How to convert .meta, .data and .index model files into one graph.pb file
但是仍然没有解决主要问题。
答案 0 :(得分：0)
如果仅希望评估张量，则可以签出the docs say。但是如果你想部署网络后，您可以查看TensorFlow this question，它可能是目前性能最高的。或者，如果您想将此网络导出到其他框架并在其中使用它们，则可以为此实际使用serving。
答案 1 :(得分：0)
如果严格要求在numpy数组中保存权重和偏差，则可以遵循以下示例：
# In a TF shell, define all requirements and call the model function
y = model(x, is_training=False, reuse=tf.AUTO_REUSE) # For example
调用此函数后，您可以通过运行来查看图中的所有变量
tf.global_variables()
您需要从最新的检查点（例如 ckpt_dir ）还原所有这些变量，然后执行每个变量以获取最新值。
checkpoint = tf.train.latest_checkpoint('./model_dir/')
fine_tune = tf.contrib.slim.assign_from_checkpoint_fn(checkpoint,
tf.global_variables(),
ignore_missing_vars=True)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
gv = sess.run(tf.global_variables())
现在 gv 将是所有变量值（权重和偏差）的列表；您可以通过索引- gv [5] 等访问任何单个组件。也可以将整个对象转换为数组并使用numpy保存。
np.save('my_weights', np.array(gv))
这会将您所有的权重和偏差保存为当前工作目录中的numpy数组-'my_weights.npy'。
希望这会有所帮助。