使用TensorFlow训练模型和C API进行预测

时间:2016-11-23 05:41:43

标签: c++ tensorflow

我通过构建libtensorflow.so目标来构建C API。我想加载一个预先训练过的模型并对其进行推理以进行预测。我被告知我可以通过包含'c_api.h'头文件(以及将该文件和'libtensorflow.so'复制到适当的位置)来做到这一点,但是,我没有运气在网上找到任何关于它的例子。我所能找到的只是使用Bazel构建系统的示例,而我想使用另一个构建系统并使用TensorFlow作为库。有人可以帮我举例说明如何导入a)元图文件; b)protobuf图形文件加上检查点文件,以进行预测?下面是Python文件的C ++等价物,用g ++构建?

#!/usr/bin/env python

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('./metagraph.meta')
    saver.restore(sess, './checkpoint.ckpt')
    x = tf.get_collection("x")[0]
    yhat = tf.get_collection("yhat")[0]
    print sess.run(yhat, feed_dict={x : np.array([[2, 3], [4, 5]])})

提前致谢!

p.s。:为了完整起见,我做了以下工作来构建文件:

#!/usr/bin/env python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=[None, 2], name='x')
tf.add_to_collection("x", x)
y = tf.placeholder(tf.float32, shape=[None, 1], name='y')
w = tf.Variable(np.array([[10.0], [100.0]]), dtype=tf.float32, name='w')
b = tf.Variable(0.0, dtype=tf.float32, name='b')
yhat = tf.add(tf.matmul(x, w), b)
tf.add_to_collection("yhat", yhat)
mse_loss = tf.sqrt(tf.reduce_mean(tf.square(tf.sub(y, yhat))))
step_size = tf.constant(0.01)
optimizer = tf.train.GradientDescentOptimizer(step_size)
init_op = tf.initialize_all_variables()
train_op = optimizer.minimize(mse_loss)
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init_op)
    for i in xrange(10000):
        train_x = np.random.random([100, 2]) * 10
        train_y = np.dot(train_x, np.array([[100.0], [10.0]])) + 1.0
        sess.run(train_op, feed_dict={x : train_x, y : train_y})
    print sess.run(w)
    print sess.run(b)
    saver.save(sess, './checkpoint.ckpt')
    saver.export_meta_graph('./metagraph.meta')
    tf.train.write_graph(sess.graph_def, './', 'graph')

1 个答案:

答案 0 :(得分:1)

我使用Eclipse并将c_api.h添加到我的项目文件中,并将libtensorflow.so添加到/ usr / local / bin。然后我将libtensorflow共享对象的引用添加到我的GCC C ++ Linker上的库中,最后创建了一个简单的程序。

#include <iostream>
#include "c_api.h"

using namespace std;

int main() {
    cout << TF_Version();
    return 0;
}

这允许我编译和使用Tensorflow函数,包括你想要的函数。