Question

最近，我开始使用Tensorflow + Keras创建神经网络，我想尝试一下Tensorflow中可用的量化功能。到目前为止，尝试使用TF教程中的示例就可以了，我有一个基本的工作示例（来自https://www.tensorflow.org/tutorials/keras/basic_classification）：

import tensorflow as tf
from tensorflow import keras

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# fashion mnist data labels (indexes related to their respective labelling in the data set)
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

# preprocess the train and test images
train_images = train_images / 255.0
test_images = test_images / 255.0

# settings variables
input_shape = (train_images.shape[1], train_images.shape[2])

# create the model layers
model = keras.Sequential([
keras.layers.Flatten(input_shape=input_shape),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])

# compile the model with added settings
model.compile(optimizer=tf.train.AdamOptimizer(),
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'])

# train the model
epochs = 3
model.fit(train_images, train_labels, epochs=epochs)

# evaluate the accuracy of model on test data
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

现在，我想在学习和分类过程中采用量化。量化文档（https://www.tensorflow.org/performance/quantization）（自cca 2018年9月15日起不再提供该页面）建议使用以下代码：

loss = tf.losses.get_total_loss()
tf.contrib.quantize.create_training_graph(quant_delay=2000000)
optimizer = tf.train.GradientDescentOptimizer(0.00001)
optimizer.minimize(loss)

但是，它不包含有关在何处使用此代码或如何将其连接到TF代码的任何信息（甚至没有提及使用Keras创建的高级模型）。我不知道这个量化部分与先前创建的神经网络模型之间的关系。只需将其插入神经网络代码，就会遇到以下错误：

Traceback (most recent call last):
  File "so.py", line 41, in <module>
    loss = tf.losses.get_total_loss()
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/ops/losses/util.py", line 112, in get_total_loss
    return math_ops.add_n(losses, name=name)
  File "/usr/local/lib/python3.5/dist-packages/tensorflow/python/ops/math_ops.py", line 2119, in add_n
    raise ValueError("inputs must be a list of at least one Tensor with the "
ValueError: inputs must be a list of at least one Tensor with the same dtype and shape

是否可以通过这种方式量化Keras NN模型，或者我是否缺少基本知识？可能想到的解决方案可能是使用低级TF API代替Keras（需要做大量工作来构建模型），或者尝试从Keras模型中提取一些较低级的方法。

Answer 1

如其他答案所述，TensorFlow Lite可以帮助您进行网络量化。

TensorFlow Lite提供了多个级别的量化支持。

Tensorflow Lite训练后量化量化权重，   激活后易于训练。量化意识训练可以   用于训练可以以最低精度量化的网络   下降;这仅适用于卷积神经的子集   网络体系结构。

因此，首先，您需要确定是否需要post-training quantization或quantization-aware training。例如，如果您已经将模型另存为* .h5文件，则可能要遵循@Mitiku的说明并进行训练后量化。

如果您希望通过模拟训练中的量化效果（使用问题中引用的方法）来获得更高的性能，并且您的模型位于受量化支持的CNN体系结构子集中，有意识的培训，this example可能会在Keras和TensorFlow之间的交互方面为您提供帮助。基本上，您只需要在模型定义及其拟合之间添加以下代码：

sess = tf.keras.backend.get_session() tf.contrib.quantize.create_training_graph(sess.graph) sess.run(tf.global_variables_initializer())

Answer 2

由于您的网络看起来非常简单，因此您可以使用Tensorflow lite。

Answer 3

Tensorflow lite可用于量化keras模型。

以下代码是为tensorflow 1.14编写的。它可能不适用于早期版本。

首先，在训练完模型后，您应该将模型保存到~

h5

要加载keras模型，请使用tf.lite.TFLiteConverter.from_keras_model_file

model.fit(train_images, train_labels, epochs=epochs)

# evaluate the accuracy of model on test data
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
model.save("model.h5")

保存的模型可以加载到python脚本或其他平台和语言。要使用保存的tflite模型，tensorlfow.lite提供了Interpreter。来自here的以下示例显示了如何使用python脚本从本地文件加载tflite模型。

# load the previously saved model
converter  = tf.lite.TFLiteConverter.from_keras_model_file("model.h5")
tflite_model = converter.convert()
# Save the model to file
with open("tflite_model.tflite", "wb") as output_file:
    output_file.write(tflite_model)

量化Keras神经网络模型

3 个答案: