代码之家 › 专栏 › 技术社区 › John

训练后用占位符交换TensorFlow数据集输入管道

tensorrt tensorflow python

John · 技术社区 · 7 年前

tf.data.Dataset examples I have found 假设你有一个 tf.placeholder 用于输入。下面是我如何训练的伪代码。[…]只是一个占位符,因为我没有实际运行代码。我们不要讨论这个模型,因为它只是举一个例子:

import tensorflow as tf

# Setup iterator
datain = tf.data.FixedLengthRecordDataset(datafiles, record_bytes1)
labels = tf.data.FixedLengthRecordDataset(labelfiles, record_bytes2)
dataset = tf.data.Dataset.zip((datain, labels))
dataset = dataset.prefetch(batch_size)
dataset = dataset.repeat(n_epoch)
iterator = dataset.make_initializable_iterator()

sess = tf.Session()
sess.run(iterator.initializer)
[batch_x, batch_y] = iterator.get_next()

# Define model function (let's not debate model except as relevant to question)
def model_fn(xin):
    x0 = tf.transpose(tf.reshape(xin, [...], name='input'))
    w = tf.Variable(tf.truncated_normal([...], stddev=0.1))
    x1 = tf.nn.conv2d(x0, w, strides=[...], padding='VALID')
    b = tf.Variable(tf.constant(0.0, shape=[...]))
    x2 = tf.nn.bias_add(x1, b)
    x3 = tf.nn.relu(x2, name='output')
    return x3

# Setup training environment
model = model_fn(batch_x)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=model, labels=batch_y))
optimizer = tf.train.AdamOptimizer(learning_rate=1e-3).minimize(loss)

# Train Model
while True:
    try:
        sess.run(optimizer)
    except tf.errors.OutOfRangeError:
        break

# Save model
saver = tf.train.Saver(name='saver')
saver.save(sess, 'temp/path')

我的问题是,如何在输入不是一个 tf.占位符 ? 我能找到的所有例子 tf.占位符 This example 建议使用 SavedModel 类,但我似乎找不到任何关于如何实现这一点的文档。

谢谢!

编辑:这是我的解决方案,感谢下面的帮助

from tensorflow.python.tools import optimize_for_inference_lib
import uff

# You can feed data to the IteratorGetNext node using feed_dict
input_node_name = 'iterator_scope_name/IteratorGetNext'
output_node_name = 'model_scope_name/output'

# Run inference on the trained model:
graph = tf.get_default_graph()
batch_x = graph.get_tensor_by_name(input_node_name + ':0')
networkout = graph.get_tensor_by_name(output_node_name + ':0')
testdata, testlabel = custom_data_reader_fn(data_folder)
# This will evaluate the model
label = sess.run(networkout, feed_dict={batch_x: testdata})

# Freeze model and create a UFF file:
graph_def = graph.as_graph_def() # Convert the graph to a serialized pb
frozen_graph_def = tf.graph_util.convert_variables_to_constants(sess,
    graph_def, [output_node_name])
opt_graph_def = optimize_for_inference_lib.optimize_for_inference(
    frozen_graph_def, [input_node_name], [output_node_name],
    tf.float32.as_datatype_enum)
uff.from_tensorflow(opt_graph_def, [output_node_name], quiet=False,
    output_filename='opt_model.uff')

我没有意识到 optimize_for_inference_lib.optimize_for_inference 操作取代了 iterator 用一个
我不知道将数据馈送到哪个节点进行评估:您可以将数据馈送到 IteratorGetNext 节点

1 回复 | 直到 7 年前

GPhilo satyendra 7 年前

既然你已经在检查点中保存了一个经过训练的图, 最简单的解决方案是通过导出推理图 optimize_for_inference .

这个工具既适用于已经冻结的图,也适用于仍然定义了变量的图。假设您采用冻结图形方式,第一步是通过以下方式将图形的变量转换为常量:

python freeze_graph.py \
--input_graph=temp/path/graph.pbtxt \
--input_checkpoint=temp/path/your_model_name.ckpt \
--output_graph=frozen_model.pb \
--output_node_names=name_of_the_output_tensor_you_want_to_use

这将生成一个名为 frozen_model.pb 这是最重要的 Variable 操作替换为 Const 使用从检查点文件加载的值进行操作。

然后,您需要生成推理图:

python optimize_for_inference.py \
--input=frozen_model.pb \
--output=inference.pb \
--frozen_graph=True \
--input_names=IteratorGetNext
--output_names=name_of_the_output_tensor_you_want_to_use

IteratorGetNext --placeholder_type_enum 选项。在这种情况下,需要从 DataType enum .

注: Graph Surgeon 或TF的 graph transform tool