ｔｅｎｓｏｒｆｌｏｗ模型ｃｋｐｔ如何查看输入输出节点，以及转ｕｆｆ模型

如何查看ckpt的输入输出节点：

def getinout(input_checkpoint):saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)graph = tf.get_default_graph()input_graph_def = graph.as_graph_def()with tf.Session() as sess:file=open('./nodes.txt','a+')for n in tf.get_default_graph().as_graph_def().node:file.write(n.name + '\n')file.close()

n.name就是各个节点的名称，怎么找到呢？例子：
img_in---------------------》这个是输入节点
hh/conv1_1/conv2d/w/Initializer/truncated_normal/shape
hh/conv1_1/conv2d/w/Initializer/truncated_normal/mean
hh/res3_1/dw_bn/moving_mean/read
hh/fc4/w/Regularizer/l2_regularizer/L2Loss
hh/fc4/w/Regularizer/l2_regularizer
hh/fc4/fc4/Conv2D ----------》这个就是输出节点
Reshape/shape -----------》这个是神经网络输出后的操作步骤
Reshape
Reshape_1/shape
Reshape_1
Const
Mul
Mul_1
huber_loss/Sub

输入输出节点完全是跟你的网络定义顺序密切关联的，仔细核对就能找到。

将ckpt转换为pb:

def convt_ckpt_pb(checkpoint, metapath, output_graph):output_node_names = "one,two"# create a sessionsess = tf.Session()# import best modelsaver = tf.train.import_meta_graph(metapath + '.meta', clear_devices=True)saver.restore(sess, input_metapath) # variables# get graph definitiongd = sess.graph.as_graph_def()# generate protobufconverted_graph_def = graph_util.convert_variables_to_constants(sess, gd, output_node_names.split(","))tf.train.write_graph(converted_graph_def, input_checkpoint + '\\', 'frozen_model.pb', as_text=False)tf.train.write_graph(converted_graph_def, input_checkpoint + '\\', 'frozen_model.pbtxt', as_text=True)

查看输入输出节点：

cd c:/tensorflow131/source/tensorflow

bazel build tools/graph_transforms:summarize_graph

build完之后：

cd C:/_bazel_****/olqihtlt/execroot/org_tensorflow/bazel-out/x64_windows-opt/bin/tensorflow/tools/graph_transforms

summarize_graph --in_graph=D:/project/convert_model/frozen_model.pb

将pb模型转换为uff问题处理：
raise UffException("Transpose permutation has op " + str(tf_permutation_node.op) + ", expected Const. Only constant permuations are supported in UFF.")
uff.model.exceptions.UffException: Transpose permutation has op ConcatV2, expected Const. Only constant permuations are supported in UFF.怎么解决呢？
我们打印模型的输出节点.(在转换uff的时候打印)

import graphsurgeon as gs
import tensorflow as tf
import uffif __name__ == "__main__":# USER DEFINED VALUESoutput_nodes = [“one","two"]input_node   = ["in","_in"]pb_file      = "./frozen_model.pb"uff_file     = "./frozen_model.uff"# END USER DEFINED VALUES# read tensorflow graph# NOTE: Make sure to freeze and optimize (remove training nodes, etc.)dynamic_graph = gs.DynamicGraph(pb_file)nodes=[n.name for n in dynamic_graph.as_graph_def().node]print(nodes)    # 在这一行打印ns={}for node in nodes:# replace LeakyRelu with default TRT plugin LReLU_TRTif "LeakyRelu" in node:ns[node]=gs.create_plugin_node(name=node,op="LReLU_TRT", negSlope=0.1)# replace Maximum with L2Norm_Helper_TRT max operation (CUDA's fmaxf)# if node == "orientation/l2_normalize/Maximum":if node == "embeddings/Maximum":ns[node]=gs.create_plugin_node(name=node,op="L2Norm_Helper_TRT",op_type=0,eps=1e-12)# replace Rsqrt with L2Norm_Helper_TRT max operation (CUDA's rsqrtf)if node == "embeddings/Rsqrt":ns[node]=gs.create_plugin_node(name=node,op="L2Norm_Helper_TRT",op_type=1)dynamic_graph.collapse_namespaces(ns)# write UFF to fileuff_model = uff.from_tensorflow(dynamic_graph.as_graph_def(), output_nodes=output_nodes,output_filename=uff_file, text=False)

发现tf.layers.dense中会用到Transpose。那为什么这里会用到呢？因为，在dense的输入中，其shape类似于（？，1，1，128）。这才是问题的核心。
为了使得tf.layers.dense不调用Transpose，我们就需要把shape搞成（？，128）就行了。所以对于，tf.layers.dense的输入，在前面需要做一下tf.reshape(input, (-1,128))处理。
重新训练得到模型，按照上面的方法，将ckpt转为pb，然后将pb转成uff就可以解决问题了。

关注他，获取更多干货

ｔｅｎｓｏｒｆｌｏｗ模型ｃｋｐｔ如何查看输入输出节点，以及转ｕｆｆ模型相关推荐

tensorflow1.X版本中打印训练好模型各个节点名，并保存在txt，根据输入输出节点保存‘.pb’文件
tensorflow模型训练好后有几个文件,其中".ckpt"是模型参数数据,".meta"存有网络结构: 如何打印显示网络中各个节点的名称(op),代码如下: ...
Tensorflow 模型文件结构、模型中Tensor查看
转自:https://blog.csdn.net/dcrmg/article/details/79672874 参考:https://www.jb51.net/article/142183.htm t ...
pytorch 获取模型参数_剑指TensorFlow，PyTorch Hub官方模型库一行代码复现主流模型...
选自PyTorch 机器之心编译参与:思源.一鸣经典预训练模型.新型前沿研究模型是不是比较难调用?PyTorch 团队今天发布了模型调用神器 PyTorch Hub,只需一行代码,BERT.GPT ...
深度学习利器：TensorFlow在智能终端中的应用——智能边缘计算，云端生成模型给移动端下载，然后用该模型进行预测...
前言深度学习在图像处理.语音识别.自然语言处理领域的应用取得了巨大成功,但是它通常在功能强大的服务器端进行运算.如果智能手机通过网络远程连接服务器,也可以利用深度学习技术,但这样可能会很慢,而且只有 ...
tensorflow tf.train.ExponentialMovingAverage().variables_to_restore()函数（用于加载模型时将影子变量直接映射到变量本身）
variables_to_restore函数,是TensorFlow为滑动平均值提供.之前,也介绍过通过使用滑动平均值可以让神经网络模型更加的健壮.我们也知道,其实在TensorFlow中,变量的滑动 ...
人脸口罩检测现开源PyTorch、TensorFlow、MXNet等全部五大主流深度学习框架模型和代码...
号外!号外! 现在,AIZOO开源PyTorch.TensorFlow.MXNet.Keras和Caffe五大主流深度学习框架的人脸检测模型和代码啦! 先附上Github链接为敬. https://g ...
TensorFlow精进之路（一）：Softmax回归模型训练MNIST
1.MNIST数据集简介: MNIST数据集主要由一些手写数字的图片和相应标签组成,图片总共分为10类,分别对应0-9十个数字. 如上图所示,每张图片的大小为28×28像素.而标签则由one-hot向 ...
Caffe、TensorFlow、MXnet三个开源库对比+主流分类模型对比
库名称开发语言支持接口安装难度(ubuntu) 文档风格示例支持模型上手难易 Caffe c++/cuda c++/python/matlab *** * *** CNN ** MXNet ...
Tensorflow移动端之如何将自己训练的MNIST模型加载到Android手机上
本篇文章主要依托于官方demo,在官网demo上进行修改来体现如何在一个常规的app上加入深度学习的模型.因为对于在app中加入对应的模型也只是将app搜集的数据导入模型并进行处理,处理完之后将结果返 ...

ｔｅｎｓｏｒｆｌｏｗ模型ｃｋｐｔ如何查看输入输出节点，以及转ｕｆｆ模型

ｔｅｎｓｏｒｆｌｏｗ模型ｃｋｐｔ如何查看输入输出节点，以及转ｕｆｆ模型相关推荐

最新文章

热门文章