以前tensorflow有bug 在winodws下無法轉(zhuǎn)，但現(xiàn)在好像沒有問題了,代碼如下

將keras 下的mobilenet_v2轉(zhuǎn)成了tflite

from keras.backend import clear_session
import numpy as np
import tensorflow as tf
clear_session()
np.set_printoptions(suppress=True)
input_graph_name = "../models/weights.best_mobilenet224.h5"
output_graph_name = input_graph_name[:-3] + '.tflite'
converter = tf.lite.TFLiteConverter.from_keras_model_file(model_file=input_graph_name)
converter.post_training_quantize = True
#在windows平臺(tái)這個(gè)函數(shù)有問題，無法正常使用
tflite_model = converter.convert()
open(output_graph_name, "wb").write(tflite_model)
print ("generate:",output_graph_name)

補(bǔ)充知識(shí)：如何把Tensorflow模型轉(zhuǎn)換成TFLite模型

深度學(xué)習(xí)迅猛發(fā)展，目前已經(jīng)可以移植到移動(dòng)端使用了，TensorFlow推出的TensorFlow Lite就是一款把深度學(xué)習(xí)應(yīng)用到移動(dòng)端的框架技術(shù)。

使用TensorFlowLite 需要tflite文件模型，這個(gè)模型可以由TensorFlow訓(xùn)練的模型轉(zhuǎn)換而成。所以首先需要知道如何保存訓(xùn)練好的TensorFlow模型。

一般有這幾種保存形式：

1、Checkpoints

2、HDF5

3、SavedModel等

保存與讀取CheckPoint

當(dāng)模型訓(xùn)練結(jié)束，可以用以下代碼把權(quán)重保存成checkpoint格式

model.save_weights('./MyModel',True)

checkpoints文件僅是保存訓(xùn)練好的權(quán)重，不帶網(wǎng)絡(luò)結(jié)構(gòu)，所以做predict時(shí)需要結(jié)合model使用

如：

model = keras_segmentation.models.segnet.mobilenet_segnet(n_classes=2, input_height=224, input_width=224)
model.load_weights('./MyModel')

保存成H5

把訓(xùn)練好的網(wǎng)絡(luò)保存成h5文件很簡單

model.save('MyModel.h5')

H5轉(zhuǎn)換成TFLite

這里是文章主要內(nèi)容

我習(xí)慣使用H5文件轉(zhuǎn)換成tflite文件

官網(wǎng)代碼是這樣的

converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h5')
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

但我用的keras 2.2.4版本會(huì)報(bào)下面錯(cuò)誤，好像說是新版的keras把relu6改掉了，找不到方法

ValueError: Unknown activation function:relu6

于是需要自己定義一個(gè)relu6

import tensorflow as tf
from tensorflow.python.keras import backend as K
from tensorflow.python.keras.utils import CustomObjectScope

def relu6(x):
 return K.relu(x, max_value=6)

with CustomObjectScope({'relu6': relu6}):
  converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h5')
  tflite_model = converter.convert()
  open("newModel.tflite", "wb").write(tflite_model)

看到生成的tflite文件表示保存成功了

也可以這么查看tflite網(wǎng)絡(luò)的輸入輸出

import numpy as np
import tensorflow as tf

# Load TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path="newModel.tflite")
interpreter.allocate_tensors()

# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

print(input_details)
print(output_details)

輸出了以下信息

[{'name': 'input_1', 'index': 115, 'shape': array([ 1, 224, 224, 3]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]

[{'name': 'activation_1/truediv', 'index': 6, 'shape': array([ 1, 12544, 2]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]

兩個(gè)shape分別表示輸入輸出的numpy數(shù)組結(jié)構(gòu)，dtype是數(shù)據(jù)類型

以上這篇keras .h5轉(zhuǎn)移動(dòng)端的.tflite文件實(shí)現(xiàn)方式）就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論