如何将keras模型转换为协议缓冲区(.pb)文件?

时间:2019-08-10 17:15:02

标签: python tensorflow keras protocol-buffers

我有一个训练有素的keras模型,我想保存到协议缓冲区(.pb)文件中。当我这样做并加载模型时,预测是错误的(并且与原始模型不同)并且权重是错误的。这是模型类型:

type(model)
> keras.engine.training.Model

这是我用来冻结并将其保存到.pb文件的代码。

from keras import backend as K
K.set_learning_phase(0)
import tensorflow as tf
from tensorflow.python.framework.graph_util import convert_variables_to_constants
keras_session = K.get_session()
graph = keras_session.graph
graph.as_default()
keep_var_names=None
output_names=[out.op.name for out in model.outputs]
clear_devices=True
with graph.as_default():
    freeze_var_names = list(set(v.op.name for v in tf.global_variables()).difference(keep_var_names or []))
    output_names = output_names or []
    output_names += [v.op.name for v in tf.global_variables()]
    input_graph_def = graph.as_graph_def()
    if clear_devices:
        for node in input_graph_def.node:
            node.device = ""
    frozen_graph = convert_variables_to_constants(keras_session, input_graph_def,
                                                  output_names, freeze_var_names)
tf.train.write_graph(frozen_graph, "model", "my_model.pb", as_text=False)

然后我这样阅读:

pb_file = 'my_model.pb'
with tf.gfile.GFile(pb_file, "rb") as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
with tf.Graph().as_default() as graph:
    tf.import_graph_def(graph_def)
ops = graph.get_operations()
def get_outputs(feed_dict, output_tensor):
    with tf.Session() as sess:

        sess.graph.as_default()
        tf.import_graph_def(graph_def, name='')

        output_tensor_loc = sess.graph.get_tensor_by_name(output_tensor)
        out = sess.run(output_tensor_loc, feed_dict=feed_dict)

        print("Shape is ", out.shape)

        return out

然后,当我比较第一卷积层的权重时,它们的形状相同(形状看起来正确),但权重却不同。所有权重约为0:3,而在原始模型的同一层中,权重约为-256:256。

get_outputs(feed_dict, 'conv1_relu/Relu:0')

上面的代码有什么问题吗?还是整个方法都不对?我在一个blog post中看到有人在使用tf.train.Saver,但我没有这么做。我需要这样做吗?如果是这样,我该如何对我的keras.engine.training.Model这样做?

1 个答案:

答案 0 :(得分:4)

问:上面的代码有问题吗?还是整个方法都不对?

A:主要问题是tf.train.write_graph保存TensorFlow图,但不保存模型的权重。


问:我需要使用tf.train.Saver吗?如果是这样,我该如何对我的模型进行操作?

A:是的。除了保存图形(仅在后续脚本未显式重新创建图形时才需要),还应使用tf.train.Saver保存模型的权重:

from keras import backend as K

# ... define your model in Keras and do some work

# Add ops to save and restore all the variables.
saver = tf.train.Saver()  # setting var_list=None saves all variables

# Get TensorFlow session
sess = K.get_session()

# save the model's variables
save_path = saver.save(sess, "/tmp/model.ckpt")

调用saver.save还会保存一个MetaGraphDef,然后可以将其用于还原图形,因此您不必使用tf.train.write_graph。要恢复权重,只需使用saver.restore

with tf.Session() as sess:
  # restore variables from disk
  saver.restore(sess, "/tmp/model.ckpt")

使用Keras模型的事实不会改变这种方法,只要您使用TensorFlow后端(您仍然具有TensorFlow图和权重)即可。有关在TensorFlow中保存和还原模型的更多信息,请参阅save and restore教程。


保存Keras模型的替代(更简洁)方式

现在,由于您使用的是Keras模型,因此使用model.save('model_path.h5')保存模型并按如下所示还原模型可能更方便:

from keras.models import load_model

# restore previously saved model
model = load_model('model_path.h5')

更新:从.pb个文件中生成单个.ckpt文件

如果要生成单个.pb文件,请使用以前的tf.train.Saver方法。生成.ckpt文件(.meta保留图形并权重.data)后,您可以通过调用Morgan's function {{1 }}如下:

.pb

参考:

  1. Save and restore在TensorFlow中。
  2. TensorFlow saving into/loading a graph from a file的StackOverflow答案。
  3. Saving/loading whole models在Keras。
  4. Morgan's functionfreeze_graph文件中生成freeze_graph('/tmp', '<Comma separated output node names>') 文件。