转自：https://blog.csdn.net/jiongnima/article/details/78326515
经过一段时间，笔者又回来了！
从2017年7月开始，笔者结束了研一繁重的考试月任务（因为平常不常上课，突击考试大家懂的），然后就进入了研二生涯。在七八月笔者就开始了自己的课题实验（由于太忙累坏了身体，先是眼睛不太好，然后又犯了胃病*去做胃镜，在此深切提醒各位，工作的时候不能太拼，身体很重要）。研二生涯笔者在实验室又要做学术又要兼顾项目，因此相当繁忙。但是笔者向大家做下承诺，一定不放弃博客的更新，笔者会在第一时间将自己的实验经验与小技巧科普给大家。
废话少说，下面开启正题！
还记得我们的上一篇博客吗？讲述了caffemodel到底记录了什么，那么，笔者带领大家回顾一下我们目前做的是什么工程：目前是将一个模型在tensorflow下面训练，然后转换到caffe框架上执行，这样，模型就可以在嵌入式平台上面运作了（nvidia TX2，nvidia TK1等）。我们在tensorflow2caffe(1)中，已经讲述了如何搞清楚caffemodel里面记录了什么，也就弄明白了我们的数据转换目标。那么，待转换的数据从哪里来呢？从tensorflow中来对吧。那么，针对tensoeflow训练所得的结果，我们来看一下我们得到了什么：
从上图中，我们看到，tensorflow框架训练得到的结果里面，首先有一个checkpoint，这是一个训练结果的索引，从这个里面，我们可以看到我们保存了哪些模型？（对应保存模型的程序在tensorflow的训练程序中，笔者就比较爱使用tf.Train.Saver.save接口存储模型参数），ckeckpoint文件可以被打开，我们可以看看里面记录了什么。
大家可以看到，里面记录的是这个我们在训练不同阶段保存的模型。首先大家要记住，这是一个很有用的文件。
然后，在图1中，我们发现了还有其他类型的文件，首先有一个.meta文件，了解tensorflow的同学知道，这是一个记录Graph的文件，在tensorflow中，Graph记录了所有数据的流向，规定了整个模型的结构。然后有一种data-00000-of-00001结构的文件，这个文件比较大（往往几十上百M），这个文件是记录了我们训练得到的数据，是以压缩性形式存储的。还有一个index类型的文件，这个文件是做什么的？这个文件记录了数据的index，就是需要提取参数的时候，在meta文件中找到了参数名，然后通过这个index，再从训练数据文件中提取数据具体的值。还有一个events文件，记录了一些其他日志。
那么，到这里，我们就明白了如何去提取出tensorflow的训练参数。
(1)载入数据流图
(2)通过checkpoint找到目前最新的训练保存结果
(3)提取训练得到的所有参数
具体代码如下：
#!/usr/bin/python
import tensorflow as tf
import numpy as np
with tf.Session() as sess:
new_saver = tf.train.import_meta_graph('model.ckpt-189200.meta') #load graph
for var in tf.trainable_variables(): #get the param names
print var.name #print parameters' names
new_saver.restore(sess, tf.train.latest_checkpoint('./')) #find the newest training result
all_vars = tf.trainable_variables()
for v in all_vars:
v_4d = np.array(sess.run(v)) #get the real parameters
在上面的代码中，tf.train.import_meta_graph导入了训练数据流图，tf,train.latest_checkpoint找到了最新的训练数据，还打印了参数名字，并且最后使用sess.run(v)得到了各个参数。
我们运行一下代码，大家可以看到，参数名称源源不断地打印出来。
在我们找到参数之后，下面，我们就要把tensorflow框架格式规定的参数转化为caffe框架规定格式规范的参数，具体该怎么做，且听下回分解。
欢迎阅读笔者后续博客，各位读者朋友的支持与鼓励是我最大的动力！
written by jiong
岂能尽如人意，但求无愧于心
————————————————
版权声明：本文为CSDN博主「jiongnima」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/jiongnima/article/details/78326515