1

我（未成功）尝试使用 Aiy Vision Kit Compiler 编译模型，以便可以在 Google Vision Kit 上使用它，但我总是收到有关冻结图的错误。我正在使用带有 Tensorflow 1.15 的 Keras。

根据编译器的要求，我冻结并将我的图形保存在 .pb 文件中。起初我使用的是 Tensorflow 2（正如我在另一个问题中报告的那样，我问Tensorflow 2.1/Keras - “output_node is not in graph” error when trying to freeze graph，其中还有我用于冻结的代码），但编译器保留给我一个“output_node/Softmax is not in the graph”错误，所以我切换到 TensorFlow 1.15，现在错误如下：

2020-01-30 07:48:20.826925: F convert_tensorflow_graph.cc:83] Check failed: graph_def.ParseFromString(frozen_graph_contents) Could not parse GraphDef in "./frozen_graph.pb"

在我运行以下命令后：

    --frozen_graph_path=./frozen_graph.pb \
    --output_graph_path=./frozen_graph.binaryproto \
    --input_tensor_name=input_node \
    --output_tensor_names=output_node/Softmax\
    --input_tensor_size=256 \
    --debug

从我在 .pbtxt 文件中看到的冻结图来看，它看起来像我用 Keras 创建的模型，并且输入和输出名称是正确的，所以我不确定我犯了什么错误。

我按照建议在 Linux 虚拟机上运行编译器。从 Aiy Vision Kit 网站下载的预训练模型已成功编译，所以我猜测问题出在我的 .pb 文件上，而不是环境上。

这是我用来创建和训练模型的代码：

    input_layer=layers.Input(shape = (16,16,1), name = "input_node")
    conv1=layers.Conv2D(64, kernel_size=(3, 3), activation='relu')(input_layer) 
    pool1=layers.MaxPooling2D((2, 2))(conv1) 
    conv2=(layers.Conv2D(128, kernel_size=(3, 3), activation='relu'))(pool1) 
    pool2=(layers.MaxPooling2D((2, 2), strides=1))(conv2)
    conv3=(layers.Conv2D(256, kernel_size=(3, 3), activation='relu'))(pool2) 
    pool3=(layers.MaxPooling2D((2, 2), strides=1))(conv3) 
    flat=(layers.Flatten())(pool3) 
    dense1=(layers.Dense(128, activation='relu'))(flat) 
    dense2=(layers.Dense(units=num_classes))(dense1)
    output=(layers.Softmax(name="output_node"))(dense2)
    model = models.Model(input_layer, output)
    model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
    return model

model=create_model()
model.summary()
history = model.fit(X_train, Y_train, epochs=25, 
                    validation_data=(X_test, Y_test))

我检查了 Tensorflow 是否可以使用此代码解析 graph_def，它似乎可以工作，并且我得到了具有正确名称的节点和所有节点。

f = gfile.FastGFile("./frozen_graph.pb", 'rb')
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
f.close()

我还尝试使用带有以下代码的 Sequential 创建模型。

model=models.Sequential() 
model.add(layers.Input(shape = (16,16,1), name = "input_node"))
model.add(layers.Conv2D(64, kernel_size=(3, 3), activation='relu')) 
model.add(layers.MaxPooling2D((2, 2))) 
model.add(layers.Conv2D(128, kernel_size=(3, 3), activation='relu')) 
model.add(layers.MaxPooling2D((2, 2), strides=1))
model.add(layers.Conv2D(256, kernel_size=(3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2), strides=1)) 
model.add(layers.Flatten()) 
model.add(layers.Dense(128, activation='relu')) 
model.add(layers.Dense(units=num_classes)) 
model.add(layers.Softmax(name="output_node"))
model.compile(loss=krs.losses.categorical_crossentropy,
              optimizer=krs.optimizers.Adadelta(),
              metrics=['accuracy'])
model.summary()
history = model.fit(X_train, Y_train, epochs=25, 
                    validation_data=(X_test, Y_test))

而且我在训练时得到了相同数量的参数和相同的准确性/损失，所以我认为它们几乎是等价的。相反，在将其保存为 .h5 文件后，如果我加载模型并打印输入节点名称，它会给我 conv2d_input，就好像它合并了输入层和第一个卷积层一样。在这种情况下，我使用 Vision Kit 编译器得到另一个错误：

./bonnet_model_compiler.par \
    --frozen_graph_path=./frozen_graph2.pb \
    --output_graph_path=./frozen_graph2.binaryproto \
    --input_tensor_name=conv2d_input \
    --output_tensor_names=output_node/Softmax\
    --input_tensor_size=256 \
    --debug

Errorr = 2020-01-31 01:30:27.240900: I external/org_tensorflow/tensorflow/contrib/lite/toco/graph_transformations/graph_transformations.cc:39] Before Removing unused ops: 35 operators, 50 arrays (0 quantized)
2020-01-31 01:30:27.241337: I external/org_tensorflow/tensorflow/contrib/lite/toco/graph_transformations/graph_transformations.cc:39] Before general graph transformations: 35 operators, 50 arrays (0 quantized)
2020-01-31 01:30:27.241414: F external/org_tensorflow/tensorflow/contrib/lite/toco/graph_transformations/propagate_fixed_sizes.cc:347] Check failed: output_depth == input_depth * op->depth_multiplier (64 vs. 192)input/output depths and depth_multiplier don't match

这两个模型都是使用 TF 1.15 中的 Keras 类创建的，并且都已使用 freeze_session 冻结（如此处https://www.dlology.com/blog/how-to-convert-trained-keras-model-to-tensorflow-和-做出-预测/）。检查 pbtxt 文件并解析 graph_def 后，节点名称应该是正确的。

任何有关如何解决此问题的帮助将不胜感激。

4

0 回答 0