我已经开发了一种DNN，用于使用Tensorflow后端识别5种图像类别。我想将此Tensorflow模型转换为Tendorflow Lite。当我尝试将其转换时，发生以下错误。
提高类型（e）（node_def，op，消息）
DataLossError ：无法打开表文件D：\ My Projects \ FinalProject_Vr_02 \ snakes-0.001-2conv-basic.model.meta：数据 丢失：不是稳定的（错误的魔术数字）：也许您的文件位于 不同的文件格式，您需要使用其他还原 操作员？ [[节点save_1 / RestoreV2（在 C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tflearn \ helpers \ trainer.py：147） = RestoreV2 [dtypes = [DT_FLOAT，DT_FLOAT，DT_FLOAT，DT_FLOAT，DT_FLOAT，...，DT_FLOAT，DT_FLOAT，DT_BOOL，DT_FLOAT，DT_FLOAT]， _device =“ / job：localhost /副本：0 / task：0 / device：CPU：0”]（_ arg_save_1 / Const_0_0， save_1 / RestoreV2 / tensor_names，save_1 / RestoreV2 / shape_and_slices）]]
由op'save_1 / RestoreV2'引起，定义于：文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ runpy.py”，第193行，在 _run_module_as_main “ 主要”，mod_spec）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ runpy.py”，第85行，用_run_code exec（代码，run_globals）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ console__main __。py”， 第11行 start.main（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ console \ start.py”， 主线310 kernel.start（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ kernelapp.py”， 505行，开始 self.io_loop.start（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ platform \ asyncio.py”， 第132行，开始时 self.asyncio_loop.run_forever（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ asyncio \ base_events.py”，第427行，在 run_forever self._run_once（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ asyncio \ base_events.py”，行1440，在 _run_once handle._run（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ asyncio \ events.py”，第145行，在_run中 self._callback（* self._args）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ ioloop.py”，行 758，在_run_callback中 ret = callback（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ stack_context.py”， 第300行，在null_wrapper中 返回fn（* args，** kwargs）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ gen.py”，行1233， 在内部 self.run（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ gen.py”，行1147， 运行中 产生= self.gen.send（值）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ kernelbase.py”， 第357行，在process_one中 产生gen.maybe_future（dispatch（* args））文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ gen.py”，行326， 在包装 产生=下一个（结果）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ kernelbase.py”， 第267行，在dispatch_shell中 产生gen.maybe_future（handler（stream，idents，msg））文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ gen.py”，第326行， 在包装 产生=下一个（结果）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ kernelbase.py”， 第534行，在execute_request中 user_expressions，allow_stdin，文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tornado \ gen.py”，第326行， 在包装 产生=下一个（结果）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ ipkernel.py”， 第294行，在do_execute中 res = shell.run_cell（代码，store_history = store_history，silent =静音）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ ipykernel \ zmqshell.py”， 第536行，在run_cell中 返回super（ZMQInteractiveShell，self）.run_cell（* args，** kwargs）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ interactiveshell.py”， 第2819行，在run_cell中 raw_cell，store_history，silent，shell_futures）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ interactiveshell.py”， _run_cell中的第2845行 返回运行程序（coro）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ async_helpers.py”， _pseudo_sync_runner中的第67行 coro.send（无）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ interactiveshell.py”， 第3020行，在run_cell_async中 交互性=交互性，编译器=编译器，结果=结果）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ interactiveshell.py”， 第3191行，在run_ast_nodes中 如果（从self.run_code（代码，结果）产生）：文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ IPython \ core \ interactiveshell.py”， 第3267行，在run_code中 exec（code_obj，self.user_global_ns，self.user_ns）文件“”，第1行，在 runfile（'D：/ My Projects / FinalProject_Vr_02 / cnn.py'，wdir ='D：/ My Projects / FinalProject_Vr_02'）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py”， 运行文件中的第704行 execfile（文件名，名称空间）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py”， execfile中的第108行 exec（compile（f.read（），filename，'exec'），namespace）文件“ D：/ My Projects / FinalProject_Vr_02 / cnn.py”，第99行，在 模型= tflearn.DNN（convnet，tensorboard_dir ='log'）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tflearn \ models \ dnn.py”， 第65行，初始化 best_val_accuracy = best_val_accuracy）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tflearn \ helpers \ trainer.py”， 第147行， init allow_empty = True）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， 第1102行，在 init self.build（）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， 1114行，正在构建 self._build（self._filename，build_save = True，build_restore = True）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， _build中的第1151行 build_save = build_save，build_restore = build_restore）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， _build_internal中的第795行 restore_sequentially，重塑形状）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， _AddRestoreOps中的第406行 依次还原）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ saver.py”， 862行，在bulk_restore中 返回io_ops.restore_v2（文件名_张量，名称，切片，dtypes）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ ops \ gen_io_ops.py”， restore_v2中的第1465行 shape_and_slices = shape_and_slices，dtypes = dtypes，name = name）文件 “ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ framework \ op_def_library.py”， _apply_op_helper中的第787行 op_def = op_def）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ util \ deprecation.py”， 第488行，在new_func中 返回func（* args，** kwargs）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ framework \ ops.py”， 第3274行，在create_op中 op_def = op_def）文件“ C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ framework \ ops.py”， 第1770行，在 init 中 self._traceback = tf_stack.extract_stack（）
DataLossError （请参阅上面的回溯）：无法打开表文件D：\ My Projects \ FinalProject_Vr_02 \ snakes-0.001-2conv-basic.model.meta： 数据丢失：不是一个稳定的（错误的魔术数字）：也许您的文件在 不同的文件格式，您需要使用其他还原 操作员？ [[节点save_1 / RestoreV2（在 C：\ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tflearn \ helpers \ trainer.py：147） = RestoreV2 [dtypes = [DT_FLOAT，DT_FLOAT，DT_FLOAT，DT_FLOAT，DT_FLOAT，...，DT_FLOAT，DT_FLOAT，DT_BOOL，DT_FLOAT，DT_FLOAT]， _device =“ / job：localhost /副本：0 / task：0 / device：CPU：0”]（_ arg_save_1 / Const_0_0， save_1 / RestoreV2 / tensor_names，save_1 / RestoreV2 / shape_and_slices）]]
我该如何解决？
import cv2
import numpy as np
import os
from random import shuffle
from tqdm import tqdm
TRAIN_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\train'
TEST_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\test'
IMG_SIZE = 50
LR = 1e-3
MODEL_NAME = 'snakes-{}-{}.model'.format(LR, '2conv-basic')
def label_img(img):
print("\nimg inside label_img",img)
print("\n",img.split('.')[-2])
temp_name= img.split('.')[-2]
#print("\n",temp_name[0:3])
#temp_name=temp_name[0:3]
print("\n",temp_name[:1])
temp_name=temp_name[:1]
#word_label = img.split('.')[-3]
word_label = temp_name
# word_label = img[0]
if word_label == 'A': return [0,0,0,0,1]
elif word_label == 'B': return [0,0,0,1,0]
elif word_label == 'C': return [0,0,1,0,0]
elif word_label == 'D': return [0,1,0,0,0]
elif word_label == 'E' : return [1,0,0,0,0]
def create_train_data():
training_data = []
for img in tqdm(os.listdir(TRAIN_DIR)):
label = label_img(img)
path = os.path.join(TRAIN_DIR,img)
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
training_data.append([np.array(img),np.array(label)])
shuffle(training_data)
np.save('train_data.npy', training_data)
return training_data
def process_test_data():
testing_data = []
for img in tqdm(os.listdir(TEST_DIR)):
path = os.path.join(TEST_DIR,img)
img_num = img.split('.')[0]
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
testing_data.append([np.array(img), img_num])
shuffle(testing_data)
np.save('test_data.npy', testing_data)
return testing_data
train_data = create_train_data()
import tflearn
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression
import tensorflow as tf
tf.reset_default_graph()
convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input')
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)
convnet = fully_connected(convnet, 5, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')
model = tflearn.DNN(convnet, tensorboard_dir='log')
if os.path.exists('{}.meta'.format(MODEL_NAME)):
model.load(MODEL_NAME)
print('model loaded!')
#train = train_data[:-500]
#test = train_data[-500:]
train = train_data[:-200]
test = train_data[-200:]
X = np.array([i[0] for i in train]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
Y = [i[1] for i in train]
test_x = np.array([i[0] for i in test]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
test_y = [i[1] for i in test]
model.fit({'input': X}, {'targets': Y}, n_epoch=3, validation_set=({'input': test_x}, {'targets': test_y}),
snapshot_step=500, show_metric=True, run_id=MODEL_NAME)
model.save(MODEL_NAME)
meta_path = 'snakes-0.001-2conv-basic.model.meta' # Your .meta file
#meta_path = os.path.join(MODEL_NAME)
#meta_path = os.path.join('snakes-{}-{}.model') # Your .meta file
with tf.Session() as sess:
# Restore the graph
#saver = tf.train.import_meta_graph(meta_path)
saver = model.load(meta_path)
# Load weights
saver.restore(sess,tf.train.latest_checkpoint('.'))
# Output nodes
output_node_names =[n.name for n in tf.get_default_graph().as_graph_def().node]
# Freeze the graph
frozen_graph_def = tf.graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
output_node_names)
# Save the frozen graph
with open('output_graph.pb', 'wb') as f:
f.write(frozen_graph_def.SerializeToString())
model.save('output_graph.pb')
tf.contrib.lite.TFLiteConverter
converter = tf.contrib.lite.TFLiteConverter.from_saved_model('output_graph.pb')
#converter = tf.lite.TFLiteConverter.from_saved_model(MODEL_NAME)
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)
#file_writer = tf.summary.FileWriter('/path/to/logs', sess.graph)