冻结tensorflow 1.15模型必须使用ckpt格式而非savedmodel或h5，需显式指定output_node_names（如"output"），确保输入图是.pbtxt文本格式，路径无中文空格，并验证frozen模型可正常推理。
冻结计算图前必须确认模型是否已保存为 checkpoint 格式
TensorFlow 1.15 的 freeze_graph 工具不接受 SavedModel 或 h5 文件，只认 ckpt + meta + index 这套 checkpoint 组合。如果你用 model.save('my_model.h5') 或 tf.saved_model.save() 保存过，得先还原成 checkpoint：用原始训练脚本调用 saver.save(sess, 'model.ckpt')，确保当前目录下有 model.ckpt.index、model.ckpt.meta、model.ckpt.data-00000-of-00001 三个文件。
常见错误现象：ValueError: No variables to save 或 NotFoundError: Key ... not found in checkpoint，基本都是因为没正确加载变量图或 checkpoint 路径写错。
- 检查
checkpoint文件内容是否指向正确的.ckpt前缀 -
import_meta_graph('model.ckpt.meta')必须在tf.Session()创建后立即执行 - 如果模型含
tf.keras.layers，需确保使用的是tf.keras（非 standalone keras），否则meta图可能缺失部分 op
调用 freeze_graph.py 时必须指定 output_node_names
这是最容易卡住的一步：freeze_graph 不会自动推断输出节点，必须人工指定——不是模型变量名，而是你最终想取值的那个 Tensor 的名称（末尾带 :0）。比如你用 pred = model(x) 得到预测结果，那就要在构建图时显式命名：pred = tf.identity(model(x), name='output')，然后传入 --output_node_names="output"。
漏掉这步的典型表现是生成的 pb 文件只有占位符和常量，没有实际计算逻辑，用 tf.import_graph_def 加载后 sess.run('output:0') 报 InvalidArgumentError: You must feed a value for placeholder...。
- 用
tf.get_default_graph().get_operations()打印所有 op，找type=='Identity'或你自定义name=...的节点 - 如果模型含多个输出（如分类+回归），用英文逗号分隔：
--output_node_names="cls_output,det_output" - 不要包含
Variable类型节点名，只选Identity、Softmax、ArgMax等终态 op
命令行参数顺序和路径写法直接影响冻结成败
TensorFlow 1.15 的 freeze_graph.py 对参数顺序敏感，且路径不能含中文、空格或波浪线 ~。推荐直接调用内置脚本而非 pip 安装的封装命令：
python -m tensorflow.python.tools.freeze_graph \ --input_graph=model.pbtxt \ --input_checkpoint=model.ckpt \ --input_binary=false \ --output_graph=frozen_model.pb \ --output_node_names=output
注意：--input_binary=false 表示输入图是文本格式（.pbtxt），若你只有 .meta 文件，得先用 import_meta_graph 导出为 pbtxt；--input_binary=true 则对应二进制 .pb 图（极少用）。
-
--input_graph若为空，工具会尝试从.meta自动恢复，但不稳定，建议显式导出 pbtxt -
model.pbtxt可通过 Python 脚本导出：tf.train.write_graph(sess.graph_def, '.', 'model.pbtxt', as_text=True) - 输出
frozen_model.pb是纯计算图，不含变量，后续推理时不能再调用assign或训练相关 op
冻结后验证 pb 文件是否真正可用
生成的 frozen_model.pb 不报错不等于能用。最简验证方式是加载并 run 一个 dummy 输入：
with tf.gfile.GFile('frozen_model.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
<p>with tf.Graph().as_default() as graph:
tf.import_graph_def(graph_def, name='')
x = graph.get_tensor_by_name('input:0') # 替换为你实际的输入名
y = graph.get_tensor_by_name('output:0')
with tf.Session() as sess:
result = sess.run(y, feed_dict={x: np.random.randn(1, 224, 224, 3)})</p>
失败常见原因：NameError: 'input:0' is not an element of this graph（输入名不对）、InvalidArgumentError: input tensor has inconsistent shape（feed 的 numpy 数组 shape 和 placeholder 不匹配）、或者根本找不到 output:0（说明冻结时 --output_node_names 拼错了）。
真正难排查的是「冻结成功但数值异常」：比如输出全零或 nan，大概率是训练时用了 tf.nn.dropout 或 tf.layers.batch_normalization(training=True)，冻结前没设 training=False，导致图里残留了不可控的随机分支。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
