python - Tensorflow 使用 python 将 pb 文件转换为 TFLITE

Question

我有一个训练后保存为 pb 文件的模型，我想使用 tensorflow mobile，使用 TFLITE 文件很重要。问题是我在谷歌搜索转换器后发现的大多数示例都是终端或 cmd 上的命令。您能否与我分享一个使用 python 代码转换为 tflite 文件的示例？

Answer 1

您可以直接在python中直接转换为tflite。您必须冻结图形并使用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。

示例代码片段

从文档复制，其中“冻结”（无变量）图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。如果你有变量并且在没有冻结图形的情况下运行 toco，即首先将这些变量转换为常量，那么 toco 会抱怨！

如果您冻结了 graphdef 并且知道输入和输出

然后你不需要会话。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)

如果您有未冻结的 graphdef 并且知道输入和输出

然后您必须在调用 toco 之前先加载会话并冻结图形：

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，例如，这可能会发生。您从某个地方下载了图表或使用了高级 API，例如 tf.estimators 对您隐藏图表。在这种情况下，您需要在调用 toco 之前加载图形并四处寻找输入和输出。请参阅我对这个 SO question的回答。

Answer 2

这对我有用：（ SSD_InceptionV2 模型）

1. 训练结束后。我使用了 object_detection 文件夹中的 model_main.py。TFv1.11
2. 将图形导出为 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

3. 这会生成一个 .pb 文件，因此您可以像这样从中生成 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/输出我不是 100 确定如何得到这个，但这段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

按照这个TF 示例，您可以在运行 retrain.py 脚本之前传递“--Saved_model_dir”参数以将 saved_model.pb 和变量文件夹导出到某个目录（不存在的目录）：

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

为了将您的模型转换为 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：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 2 种方式转换为 tflite：

但最简单的方法是使用变量导出 saved_model.pb，以防您想避免使用像 Bazel 这样的构建工具。

Answer 4

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。