您好,登录后才能下订单哦!
小编这次要给大家分享的是如何实现keras .h5转移动端的.tflite文件,文章内容丰富,感兴趣的小伙伴可以来了解一下,希望大家阅读完这篇文章之后能够有所收获。
以前tensorflow有bug 在winodws下无法转,但现在好像没有问题了,代码如下
将keras 下的mobilenet_v2转成了tflite
from keras.backend import clear_session import numpy as np import tensorflow as tf clear_session() np.set_printoptions(suppress=True) input_graph_name = "../models/weights.best_mobilenet224.h6" output_graph_name = input_graph_name[:-3] + '.tflite' converter = tf.lite.TFLiteConverter.from_keras_model_file(model_file=input_graph_name) converter.post_training_quantize = True #在windows平台这个函数有问题,无法正常使用 tflite_model = converter.convert() open(output_graph_name, "wb").write(tflite_model) print ("generate:",output_graph_name)
补充知识:如何把Tensorflow模型转换成TFLite模型
深度学习迅猛发展,目前已经可以移植到移动端使用了,TensorFlow推出的TensorFlow Lite就是一款把深度学习应用到移动端的框架技术。
使用TensorFlowLite 需要tflite文件模型,这个模型可以由TensorFlow训练的模型转换而成。所以首先需要知道如何保存训练好的TensorFlow模型。
一般有这几种保存形式:
1、Checkpoints
2、HDF5
3、SavedModel等
保存与读取CheckPoint
当模型训练结束,可以用以下代码把权重保存成checkpoint格式
model.save_weights('./MyModel',True)
checkpoints文件仅是保存训练好的权重,不带网络结构,所以做predict时需要结合model使用
如:
model = keras_segmentation.models.segnet.mobilenet_segnet(n_classes=2, input_height=224, input_width=224)
model.load_weights('./MyModel')
保存成H5
把训练好的网络保存成h6文件很简单
model.save('MyModel.h6')
H5转换成TFLite
这里是文章主要内容
我习惯使用H5文件转换成tflite文件
官网代码是这样的
converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h6') tflite_model = converter.convert() open("converted_model.tflite", "wb").write(tflite_model)
但我用的keras 2.2.4版本会报下面错误,好像说是新版的keras把relu6改掉了,找不到方法
ValueError: Unknown activation function:relu6
于是需要自己定义一个relu6
import tensorflow as tf from tensorflow.python.keras import backend as K from tensorflow.python.keras.utils import CustomObjectScope def relu6(x): return K.relu(x, max_value=6) with CustomObjectScope({'relu6': relu6}): converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h6') tflite_model = converter.convert() open("newModel.tflite", "wb").write(tflite_model)
看到生成的tflite文件表示保存成功了
也可以这么查看tflite网络的输入输出
import numpy as np import tensorflow as tf # Load TFLite model and allocate tensors. interpreter = tf.lite.Interpreter(model_path="newModel.tflite") interpreter.allocate_tensors() # Get input and output tensors. input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() print(input_details) print(output_details)
输出了以下信息
[{'name': 'input_1', 'index': 115, 'shape': array([ 1, 224, 224, 3]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]
[{'name': 'activation_1/truediv', 'index': 6, 'shape': array([ 1, 12544, 2]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]
两个shape分别表示输入输出的numpy数组结构,dtype是数据类型
看完这篇关于如何实现keras .h5转移动端的.tflite文件的文章,如果觉得文章内容写得不错的话,可以把它分享出去给更多人看到。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。