1

我有一个非常简单的 Tensorflow 模型，它根据来自 6 个传感器的输入（输入范围从 0.0 到 1.0）输出 3 个值（左、直、右）

inputSensor = Input(shape=(3))
modelSensor = Dense(32, activation="relu")(inputSensor)
modelSensor = Dense(32, activation="relu")(modelSensor)
modelSensor = Dense(numClasses, activation="softmax")(modelSensor)
model = Model(inputs=inputSensor, outputs=modelSensor)

训练模型后，我可以使用将其转换为普通的 TFLite 模型

converter = tf.compat.v1.lite.TFLiteConverter.from_keras_model_file("models/modelpath.h5")
converter.optimizations = [tf.lite.Optimize.DEFAULT]

tflite_model = 转换器.convert()

然后我在模型上运行一些推理测试，得到我期望的结果。3 个输出中的一个为 99%，其他输出非常低。

测试右输入 [0.0,0.0,1.0] 结果 [[0.00089144 0.00154889 0.99755967]]

测试直接输入 [0.0,1.0,0.0] 结果 [[0.00087439 0.996424 0.00270158]]

测试左输入 [1.0,0.0,0.0] 结果 [[0.9948014 0.00256803 0.00263061]]

然后我对模型进行量化（以便在边缘 TPU 上使用它）

converter =tf.compat.v1.lite.TFLiteConverter. from_keras_model_file 
("models/modelpath.h5")
converter.representative_dataset = representativeDataset_gen
converter.target_spec.supported_ops = 
[tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.uint8
converter.inference_output_type = tf.uint8
converter.optimizations = [tf.lite.Optimize.DEFAULT]

我运行与上面相同的测试。结果仍然正确，但最大输出为 132，其他输出为 62。

测试右输入 [0.0,0.0,1.0] [[ 62 62 132]]

测试直接输入 [0.0,1.0,0.0] [[ 62 132 62]]

测试左输入 [1.0,0.0,0.0] [[132 62 62]]

我本来希望得到 [[255 0 0]] 范围内的结果

当我使用像 Input [0,0,255] 这样的整数输入时，也会发生同样的事情

量化转换有问题吗？我应该使用浮点整数作为输入吗？

4

2 回答 2

0

我自己发现了问题。

我用于量化转换的代表性数据集不够代表性。它由一个零数组组成。使用正确的数据集（与用于训练的数据集相同）修复了输出 -> [[255 0 0]]

于 2019-08-31T19:23:50.760 回答
0

当您进行训练后量化时，小型模型肯定会遭受较大的精度下降。事实上，TensorFlow 团队已建议在应用训练后量化后执行准确性检查。

如果准确性受到严重影响，建议使用quantization-aware-training.

在撰写此答案时，量化意识培训尚未启动。

于 2019-08-30T17:56:28.513 回答