背景情報:
TensorFlowが提供する 既成の虹彩分類モデル と非常によく似たTensorFlowモデルを作成しました。違いは比較的小さいです:
モデルを.tflite
ファイルとしてエクスポートしたいと思います。しかし、 TensorFlow開発者ガイド によると、最初にモデルをtf.GraphDef
ファイルにエクスポートしてからフリーズする必要があります。そうして初めて、モデルを変換できます。ただし、カスタムモデルから.pb
ファイルを作成するためにTensorFlowによって提供される tutorial は、画像分類モデルに対してのみ最適化されているようです。
質問:
では、虹彩分類サンプルモデルのようなモデルを.tflite
ファイルに変換するにはどうすればよいですか? .pb
ファイルにエクスポートしてからフリーズするなどの方法で、より簡単で直接的な方法はありますか?アイリス分類コードに基づく例またはより明確なチュートリアルへのリンクは非常に役立ちます!
その他の情報:
コード:
虹彩分類コードは、次のコマンドを入力することで複製できます。
git clone https://github.com/tensorflow/models
ただし、パッケージ全体をダウンロードしたくない場合は、次のようにします。
これはpremade_estimator.py
と呼ばれる分類ファイルです:
# Copyright 2016 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# http://www.Apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
"""An Example of a DNNClassifier for the Iris dataset."""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import tensorflow as tf
import iris_data
parser = argparse.ArgumentParser()
parser.add_argument('--batch_size', default=100, type=int, help='batch size')
parser.add_argument('--train_steps', default=1000, type=int,
help='number of training steps')
def main(argv):
args = parser.parse_args(argv[1:])
# Fetch the data
(train_x, train_y), (test_x, test_y) = iris_data.load_data()
# Feature columns describe how to use the input.
my_feature_columns = []
for key in train_x.keys():
my_feature_columns.append(tf.feature_column.numeric_column(key=key))
# Build 2 hidden layer DNN with 10, 10 units respectively.
classifier = tf.estimator.DNNClassifier(
feature_columns=my_feature_columns,
# Two hidden layers of 10 nodes each.
hidden_units=[10, 10],
# The model must choose between 3 classes.
n_classes=3)
# Train the Model.
classifier.train(
input_fn=lambda: iris_data.train_input_fn(train_x, train_y,
args.batch_size),
steps=args.train_steps)
# Evaluate the model.
eval_result = classifier.evaluate(
input_fn=lambda: iris_data.eval_input_fn(test_x, test_y,
args.batch_size))
print('\nTest set accuracy: {accuracy:0.3f}\n'.format(**eval_result))
# Generate predictions from the model
expected = ['Setosa', 'Versicolor', 'Virginica']
predict_x = {
'SepalLength': [5.1, 5.9, 6.9],
'SepalWidth': [3.3, 3.0, 3.1],
'PetalLength': [1.7, 4.2, 5.4],
'PetalWidth': [0.5, 1.5, 2.1],
}
predictions = classifier.predict(
input_fn=lambda: iris_data.eval_input_fn(predict_x,
labels=None,
batch_size=args.batch_size))
template = '\nPrediction is "{}" ({:.1f}%), expected "{}"'
for pred_dict, expec in Zip(predictions, expected):
class_id = pred_dict['class_ids'][0]
probability = pred_dict['probabilities'][class_id]
print(template.format(iris_data.SPECIES[class_id],
100 * probability, expec))
if __name__ == '__main__':
# tf.logging.set_verbosity(tf.logging.INFO)
tf.app.run(main)
そしてこれはiris_data.py
と呼ばれるデータファイルです:
import pandas as pd
import tensorflow as tf
TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
TEST_URL = "http://download.tensorflow.org/data/iris_test.csv"
CSV_COLUMN_NAMES = ['SepalLength', 'SepalWidth',
'PetalLength', 'PetalWidth', 'Species']
SPECIES = ['Setosa', 'Versicolor', 'Virginica']
def maybe_download():
train_path = tf.keras.utils.get_file(TRAIN_URL.split('/')[-1], TRAIN_URL)
test_path = tf.keras.utils.get_file(TEST_URL.split('/')[-1], TEST_URL)
return train_path, test_path
def load_data(y_name='Species'):
"""Returns the iris dataset as (train_x, train_y), (test_x, test_y)."""
train_path, test_path = maybe_download()
train = pd.read_csv(train_path, names=CSV_COLUMN_NAMES, header=0)
train_x, train_y = train, train.pop(y_name)
test = pd.read_csv(test_path, names=CSV_COLUMN_NAMES, header=0)
test_x, test_y = test, test.pop(y_name)
return (train_x, train_y), (test_x, test_y)
def train_input_fn(features, labels, batch_size):
"""An input function for training"""
# Convert the inputs to a Dataset.
dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
# Shuffle, repeat, and batch the examples.
dataset = dataset.shuffle(1000).repeat().batch(batch_size)
# Return the dataset.
return dataset
def eval_input_fn(features, labels, batch_size):
"""An input function for evaluation or prediction"""
features = dict(features)
if labels is None:
# No labels, use only features.
inputs = features
else:
inputs = (features, labels)
# Convert the inputs to a Dataset.
dataset = tf.data.Dataset.from_tensor_slices(inputs)
# Batch the examples
assert batch_size is not None, "batch_size must not be None"
dataset = dataset.batch(batch_size)
# Return the dataset.
return dataset
**[〜#〜]更新[〜#〜]**
さて、私は一見非常に便利なコードを見つけました このページで :
import tensorflow as tf
img = tf.placeholder(name="img", dtype=tf.float32, shape=(1, 64, 64, 3))
val = img + tf.constant([1., 2., 3.]) + tf.constant([1., 4., 4.])
out = tf.identity(val, name="out")
with tf.Session() as sess:
tflite_model = tf.contrib.lite.toco_convert(sess.graph_def, [img], [out])
open("test.tflite", "wb").write(tflite_model)
この小さな男は、単純なモデルをTensorFlowLiteモデルに直接変換します。今私がしなければならないのは、これを虹彩分類モデルに適応させる方法を見つけることです。助言がありますか?
.pbファイルにエクスポートしてからフリーズするなどの方法で、より簡単で直接的な方法はありますか?
はい、更新された質問で指摘したように、 グラフをフリーズ して toco_convert in python apiを直接使用することができます。グラフをフリーズし、入力と出力の形状を決定する必要があります。質問では、変数がないため、フリーズグラフの手順はありません。変数があり、最初に定数に変換せずにtocoを実行すると、tocoは文句を言います。
今私がしなければならないのは、これを虹彩分類モデルに適応させる方法を見つけることです。助言がありますか?
これは少しトリッキーで、さらに作業が必要です。基本的に、グラフをロードして入力テンソル名と出力テンソル名を把握してから、グラフをフリーズしてtoco_convertを呼び出す必要があります。この場合(グラフを定義していない場合)の入力テンソル名と出力テンソル名を見つけるには、生成されたグラフを調べて、入力の形状や名前などに基づいてそれらを決定する必要があります。次の場所に追加できるコードを次に示します。この場合、tfliteグラフを生成するためのpremade_estimator.py
のメイン関数の終わり。
print("\n====== classifier model_dir, latest_checkpoint ===========")
print(classifier.model_dir)
print(classifier.latest_checkpoint())
debug = False
with tf.Session() as sess:
# First let's load meta graph and restore weights
latest_checkpoint_path = classifier.latest_checkpoint()
saver = tf.train.import_meta_graph(latest_checkpoint_path + '.meta')
saver.restore(sess, latest_checkpoint_path)
# Get the input and output tensors needed for toco.
# These were determined based on the debugging info printed / saved below.
input_tensor = sess.graph.get_tensor_by_name("dnn/input_from_feature_columns/input_layer/concat:0")
input_tensor.set_shape([1, 4])
out_tensor = sess.graph.get_tensor_by_name("dnn/logits/BiasAdd:0")
out_tensor.set_shape([1, 3])
# Pass the output node name we are interested in.
# Based on the debugging info printed / saved below, pulled out the
# name of the node for the logits (before the softmax is applied).
frozen_graph_def = tf.graph_util.convert_variables_to_constants(
sess, sess.graph_def, output_node_names=["dnn/logits/BiasAdd"])
if debug is True:
print("\nORIGINAL GRAPH DEF Ops ===========================================")
ops = sess.graph.get_operations()
for op in ops:
if "BiasAdd" in op.name or "input_layer" in op.name:
print([op.name, op.values()])
# save original graphdef to text file
with open("estimator_graph.pbtxt", "w") as fp:
fp.write(str(sess.graph_def))
print("\nFROZEN GRAPH DEF Nodes ===========================================")
for node in frozen_graph_def.node:
print(node.name)
# save frozen graph def to text file
with open("estimator_frozen_graph.pbtxt", "w") as fp:
fp.write(str(frozen_graph_def))
tflite_model = tf.contrib.lite.toco_convert(frozen_graph_def, [input_tensor], [out_tensor])
open("estimator_model.tflite", "wb").write(tflite_model)
注:ノードに対応する最終レイヤー(Softmaxが適用される前)からのロジットを出力として想定していますdnn/logits/BiasAdd。確率が必要な場合は、dnn/head/predictions/probabilitiesだと思います。
Toco_convertを使用する代わりに、これを行うためのより標準的な方法を次に示します。このコードの基礎となる上記のtocoベースの例を提供してくれたPannagSanketiに感謝します。
分類NNを使用しているため、出力レイヤーはlogits
であることに注意してください。回帰NNがあった場合、それは異なります。 classifier
は、作成したNNモデルです。
def export_tflite(classifier):
with tf.Session() as sess:
# First let's load meta graph and restore weights
latest_checkpoint_path = classifier.latest_checkpoint()
saver = tf.train.import_meta_graph(latest_checkpoint_path + '.meta')
saver.restore(sess, latest_checkpoint_path)
# Get the input and output tensors
input_tensor = sess.graph.get_tensor_by_name("dnn/input_from_feature_columns/input_layer/concat:0")
out_tensor = sess.graph.get_tensor_by_name("dnn/logits/BiasAdd:0")
# here the code differs from the toco example above
sess.run(tf.global_variables_initializer())
converter = tf.lite.TFLiteConverter.from_session(sess, [input_tensor], [out_tensor])
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)