使用 TensorFlow 1.x 来训练模型时，该进程会创建一个文件夹，其中包含一个 GraphDef 文件（通常扩展名为 .pb 或 .pbtxt）和一组检查点文件。为便于移动或嵌入式部署，您需要满足以下条件的单个 GraphDef 文件：此文件已冻结，或者其变量已转换为内联常量，使该文件可包含所有必要信息。TensorFlow 提供的 freeze_graph.py 可用于处理转换，它随 vai_q_tensorflow 量化器一起自动安装。
命令行用法示例如下：
[docker] $ freeze_graph \
--input_graph /tmp/inception_v1_inf_graph.pb \
--input_checkpoint /tmp/checkpoints/model.ckpt-1000 \
--input_binary true \
--output_graph /tmp/frozen_graph.pb \
--output_node_names InceptionV1/Predictions/Reshape_1
`
–input_graph 应为推断计算图，而不是训练计算图。由于推断和部署无需数据预处理和损失函数运算，因此 frozen_graph.pb 应仅包含模型的必要组件。尤其是，Input_fn 应包含数据预处理运算，以便生成正确的输入数据用于训练后量化。
注释： 此类运算（如，dropout 和 batch norm）在训练阶段与推断阶段中的行为表现不同。对计算图进行冻结时，请确保这些操作在推断阶段执行。例如，使用
tf.layers.dropout/tf.layers.batch_normalization 时可设置 is_training=false 标志。对于使用 tf.keras 的模型，请先调用 tf.keras.backend.set_learning_phase(0)，然后再构建计算图。提示： 输入
freeze_graph --help 可获取更多选项。输入节点和输出节点名称因模型而异，但您可使用 vai_q_tensorflow 量化器来检查和估算这些节点。请参阅以下代码片段示例：
[docker] $ vai_q_tensorflow inspect --input_frozen_graph=/tmp/inception_v1_inf_graph.pb如果计算图包含计算图内预处理和后处理，那么估算的输入和输出节点不得用于量化。这是因为某些操作无法量化，使用 Vitis AI 编译器来编译模型并将其部署到 DPU 时，这类操作可能会导致错误。
另一种获取计算图的输入和输出名称的方法是将计算图可视化。TensorBoard 和 Netron 均可执行此操作。请参阅以下示例，其中使用的是 Netron：
[docker] $ pip install netron
[docker] $ netron /tmp/inception_v3_inf_graph.pb