0

我正在建立一个应该对花朵进行分类的模型。所以我用 Tensorflow 创建了一个模型：

  keras.layers.Conv2D(128, (3,3), activation='relu', input_shape=(imageShape[0], imageShape[1],3)),
  keras.layers.MaxPooling2D(2,2),
  keras.layers.Dropout(0.5),
  
  keras.layers.Conv2D(256, (3,3), activation='relu'),
  
  keras.layers.MaxPooling2D(2,2), 
 
  keras.layers.Conv2D(512, (3,3), activation='relu'),
  
  keras.layers.MaxPooling2D(2,2),
 
  keras.layers.Flatten(),
      
  keras.layers.Dropout(0.3),      
  
  keras.layers.Dense(280, activation='relu'),
  
  keras.layers.Dense(4, activation='softmax')

  opt = tf.keras.optimizers.RMSprop()
  model.compile(loss='categorical_crossentropy',
              optimizer= opt,
              metrics=['accuracy'])

在训练时，我将检查点保存为 .h5

checkpoint = ModelCheckpoint("preSaved"+str(time.time())+".h5", monitor='val_loss', verbose=1, 
save_best_only=True, save_weights_only=False, mode='auto', period=1)

现在我得到了一个损失非常低的时代，并希望将其转换为 .tflite 以将其上传到 Firebase（在 Android Studio 应用程序中使用它）。

import tensorflow as tf

new_model= tf.keras.models.load_model(filepath="model.h5")
tflite_converter = tf.lite.TFLiteConverter.from_keras_model(new_model)
tflite_converter.inference_type=tf.uint8
tflite_converter.default_ranges_stats=[min_value,max_value]
tflite_converter.quantized_input_stats={"conv2d_6_input_6:0"[mean,std]}
tflite_converter.post_training_quantize=True
tflite_model = tflite_converter.convert()
open("tf_lite_model.tflite", "wb").write(tflite_model)

.h5 大约有 335mb，最终 .tflite 有 160mb。但 Firebase 只允许 .tflite 到 60mb，如果我使用本地模型，它需要几分钟才能加载。我读到 .tflite 通常更小。我的模型是否存在问题，或者我将其转换为 .tflite 时是否存在问题？

4

1 回答 1

0

模型大小很大程度上取决于您的模型架构（构成模型的不同层以及每层中的参数数量）。您可以尝试更改这些以获得更小的模型。

这是图像分类模型的更简单的架构。当然，请记住，使用更小的模型可能比更复杂的版本具有更低的准确性。

于 2020-08-17T17:58:38.730 回答