tf.io.write_graph保存的是纯计算图结构（graphdef），即节点与边的protobuf快照，不含变量值、权重或签名信息；生成.pb或.pbtxt文件，仅适用于调试、可视化和拓扑校验，不可直接用于推理或部署。
tf.io.write_graph 保存的是什么图？
它只保存计算图的结构定义（GraphDef），不包含变量值、训练权重或 SavedModel 的元数据。导出后得到的是一个纯 protobuf 格式的 .pb 或 .pbtxt 文件，本质是图节点和边的快照，不能直接用于推理或加载权重。
常见错误现象：tf.io.write_graph 导出后用 tf.saved_model.load 加载失败，报错类似 ValueError: No model found in export directory —— 因为 SavedModel 目录结构完全不一样，两者不是同一套机制。
- 适用场景：调试图结构、可视化（如用 Netron 打开
.pbtxt）、CI 中做图拓扑校验 - 不适用场景：模型部署、跨语言加载、需要恢复训练或推理
-
as_text=True生成可读的.pbtxt；as_text=False（默认）生成二进制.pb，体积更小但不可读
导出前必须确保图已“冻结”吗？
不需要冻结（freeze），但必须使用静态图模式（Graph mode）下的 tf.Graph 实例。在 TF 2.x 默认的 eager mode 下，tf.io.write_graph 会报错或写入空图 —— 因为 eager 没有全局图对象。
常见错误现象：代码运行无报错，但生成的 .pb 文件只有几 KB，用 tf.io.parse_tensor 解析失败，或 Netron 打开显示 “No nodes found”。根本原因是传入了 tf.keras.Model 或 tf.function 编译后的 ConcreteFunction，而非原始 tf.Graph。
- 正确做法：用
tf.compat.v1.get_default_graph()获取当前图（需在tf.compat.v1.disable_eager_execution()后） - TF 2.x 推荐替代：改用
model.save(..., save_format="tf")得到完整 SavedModel，再用saved_model_cli show --dir查看结构 - 若坚持用
write_graph，务必确认执行环境处于 Graph mode，且图中已有构建好的节点（比如调用过model(x)触发图构建）
参数 graph_or_graph_def 到底该传什么？
必须传 tf.Graph 对象本身，或者其 as_graph_def() 返回的 GraphDef 协议缓冲区实例。传 tf.keras.Model、tf.function 或 ConcreteFunction.graph 都可能出问题 —— 后者虽是 tf.Graph 类型，但封装层级深，部分节点未暴露。
示例对比：
import tensorflow as tf tf.compat.v1.disable_eager_execution() <h1>✅ 正确：获取默认图并导出</h1><p>g = tf.compat.v1.get_default_graph()</p><h1>构建一些 op...</h1><p>x = tf.compat.v1.placeholder(tf.float32, [None, 784]) y = tf.compat.v1.layers.dense(x, 10) tf.io.write_graph(g, logdir="/tmp", name="graph.pbtxt", as_text=True)</p><h1>❌ 错误：传 Model 实例</h1><p>model = tf.keras.Sequential([tf.keras.layers.Dense(10)]) tf.io.write_graph(model, ...) # TypeError</p>
-
logdir必须是目录路径，不是文件路径；函数会自动拼接name - 如果图里用了
tf.Variable，导出的.pbtxt里变量节点存在，但值全为占位符（initializer不保存） - 兼容性注意：TF 2.16+ 中
tf.io.write_graph已标记为 legacy，官方建议转向 SavedModel
为什么导出的图在 Netron 里看不到输入/输出签名？
因为 tf.io.write_graph 不记录 signature（签名），它只导出原始图结构。输入输出节点得靠人工识别 placeholder 和最终 Identity / Softmax 等末端节点，没有 inputs/outputs 字段。
这导致：无法直接喂数据进图做推理；不同框架（如 ONNX）转换时容易断连；移动端部署时需额外标注 I/O tensor 名。
- 补救办法：导出前手动给关键节点加
name，比如x = tf.placeholder(..., name="input_tensor") - 更可靠方案：用
tf.lite.TFLiteConverter.from_saved_model先转 SavedModel，再导出 TFLite，自带明确 I/O - 容易被忽略的一点：即使你写了
tf.identity(y, name="output")，write_graph也不会自动把它标记为输出 —— 它压根不解析语义，只做结构 dump
