Tensorflow使用python将pb文件转换为TFLITE

Question

我是Tensorflow的新成员。 我将训练后的模型保存为pb文件，我想使用tensorflow mobile，使用TFLITE文件很重要。 问题是我在googling for converter后发现的大部分例子都是终端或cmd上的命令。 你能否分享一下使用python代码转换为tflite文件的例子？

由于

Answer 1

您可以直接在python中直接转换为tflite。您必须freeze the graph并使用toco_convert。它需要在调用API之前确定输入和输出名称和形状，就像在命令行情况下一样。

示例代码段

从documentation复制，其中“冻结”（无变量）图表被定义为代码的一部分：

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)

在上面的示例中，没有冻结图步骤，因为没有变量。如果你有变量并运行toco而没有冻结图形，即首先将这些变量转换为常量，那么toco会抱怨！

如果您已冻结graphdef并知道输入和输出

然后你不需要会话。您可以直接调用toco API：

path_to_frozen_graphdef_pb = '...'
input_tensors = [...]
output_tensors = [...]
frozen_graph_def = tf.GraphDef()
with open(path_to_frozen_graphdef_pb, 'rb') as f:
  frozen_graph_def.ParseFromString(f.read())
tflite_model = tf.contrib.lite.toco_convert(frozen_graph_def, input_tensors, output_tensors)

如果您有非冻结的graphdef并且知道输入和输出

然后你必须先加载会话并冻结图表，然后再调用toco：

path_to_graphdef_pb = '...'
g = tf.GraphDef()
with open(path_to_graphdef_pb, 'rb') as f:
  g.ParseFromString(f.read())
output_node_names = ["..."]
input_tensors = [..]
output_tensors = [...]

with tf.Session(graph=g) as sess:
  frozen_graph_def = tf.graph_util.convert_variables_to_constants(
      sess, sess.graph_def, output_node_names)
# Note here we are passing frozen_graph_def obtained in the previous step to toco.
tflite_model = tf.contrib.lite.toco_convert(frozen_graph_def, input_tensors, output_tensors)

如果您不知道图表的输入/输出

如果您没有定义图表，可能会发生这种情况，例如。您从某个地方下载了图表，或者使用了一个高级API，比如隐藏图表的tf.estimators。在这种情况下，您需要加载图形并在调用toco之前查找输入和输出。请参阅我对this SO question的回答。

Answer 2

这对我有用：（ SSD_InceptionV2模型）

1. 完成培训后。我使用来自object_detection文件夹的model_main.py。 TFv1.11
2. 将导出图作为TFLITE：

python /tensorflow/models/research/object_detection/export_tflite_ssd_graph.py

--pipeline_config_path annotations/ssd_inception_v2_coco.config 
--trained_checkpoint_prefix trained-inference-graphs/inference_graph_v7.pb/model.ckpt 
--output_directory trained-inference-graphs/inference_graph_v7.pb/tflite 
--max_detections 3

1. 这会生成一个.pb文件，因此您可以像这样从其中生成tflite文件：

tflite_convert 
--output_file=test.tflite 
--graph_def_file=tflite_graph.pb 
--input_arrays=normalized_input_image_tensor 
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3'

--input_shape=1,300,300,3 
--allow_custom_ops

现在输入/输出我不确定如何获得此输入，但是此代码之前对我有帮助：

import tensorflow as tf
frozen='/tensorflow/mobilenets/mobilenet_v1_1.0_224.pb'
gf = tf.GraphDef()
gf.ParseFromString(open(frozen,'rb').read())
[n.name + '=>' +  n.op for n in gf.node if n.op in ( 'Softmax','Placeholder')]    
[n.name + '=>' +  n.op for n in gf.node if n.op in ( 'Softmax','Mul')]

Answer 3

converter = tf.contrib.lite.TFLiteConverter.from_frozen_graph(
    frozen_model_filename, INPUT_NODE, OUTPUT_NODE)

tflite_model = converter.convert()
open(TFLITE_OUTPUT_FILE, "wb").write(tflite_model)

INPUT_NODE和OUTPUT_NODE分别是输入和输出名称的列表。

Answer 4

遵循此TF example，可以在运行retrain.py脚本之前传递“ --Saved_model_dir”参数以将save_model.pb和变量文件夹导出到某个目录（无现有dir）：

  

python retrain.py ...... --saved_model_dir / home /..../ export

要将模型转换为tflite，您需要使用以下行：

convert_saved_model.convert(saved_model_dir='/home/.../export',output_arrays="final_result",output_tflite='/home/.../export/graph.tflite')

注意：您需要导入convert_saved_model：

  

从tensorflow.contrib.lite.python导入convert_saved_model

请记住，您可以通过两种方式转换为tflite：

但是，最简单的方法是使用变量导出Saved_model.pb，以防您避免使用Bazel等构建工具。