python - tutorial - টেনারফ্লো.pb তে কীভাবে কেরাস.h5 রফতানি করবেন?




python tutorial (5)

আমি একটি নতুন ডেটাসেটের সাথে ইনসেপশন মডেলটি সূক্ষ্ম-টিউন করেছি এবং এটি কেরাসে ".h5" মডেল হিসাবে সংরক্ষণ করেছি। এখন আমার লক্ষ্যটি হল আমার মডেলটি অ্যান্ড্রয়েড টেনসরফ্লোতে চালানো যা কেবল ".pb" এক্সটেনশান গ্রহণ করে। প্রশ্নটি হ'ল এই রূপান্তরটি করার জন্য কেরাস বা টেনসরফ্রোলার কোনও লাইব্রেরি নেই? আমি এখনও অবধি এই পোস্টটি দেখেছি: https://blog.keras.io/keras-as-a-simplified-interface-to-tensorflow-tutorial.html ف্লো- টিউটোরিয়াল https://blog.keras.io/keras-as-a-simplified-interface-to-tensorflow-tutorial.html তবে এখনও বের করতে পারছি না।


অনুমানকারী.এক্সপোর্ট_সেভ মডেল ব্যবহার করে আমরা সহজেই এইচ 5 মডেলটিকে সেভ করা মডেলে রূপান্তর করতে পারি। এখানে ডক পরীক্ষা করুন https://www.tensorflow.org/api_docs/python/tf/estimator/Estimator

def prepare_image(image_str_tensor):
    image_contents = tf.read_file(image_str_tensor)
    image = tf.image.decode_jpeg(image_contents, channels=3)
    image = tf.image.resize_images(image, [224, 224])
    image = tf.cast(image, tf.float32)
    return preprocess_input(image)

def serving_input_receiver_fn():
    input_ph = tf.placeholder(tf.string, shape=[None])
    images_tensor = tf.map_fn(
          prepare_image, input_ph, back_prop=False, dtype=tf.float32)
    images_tensor = tf.image.convert_image_dtype(images_tensor, 
                      dtype=tf.float32)

    return tf.estimator.export.ServingInputReceiver({"input": images_tensor}, 
             {'image_url': input_ph})

estimator = tf.keras.estimator.model_to_estimator(
    keras_model_path=h5_model_path
)

estimator.export_savedmodel(saved_model_path, serving_input_receiver_fn=serving_input_receiver_fn)

আপনি যখন টেনসরফ্লোতে রূপান্তর করতে চান তখন একটি খুব গুরুত্বপূর্ণ বিষয় রয়েছে। আপনি যদি ড্রপআউট, ব্যাচের সাধারণকরণ বা এই জাতীয় কোনও স্তর (যা প্রশিক্ষণযোগ্য নয় তবে মানগুলি গণনা করে) ব্যবহার করেন তবে আপনার কেরাস ব্যাকএন্ডের শিখার পর্বটি পরিবর্তন করা উচিত । এটি সম্পর্কে একটি discussion এখানে।

import keras.backend as K
k.set_learning_phase(0) # 0 testing, 1 training mode

কেরাস কোনও প্রোটোকল বাফার ফাইল হিসাবে টেনসরফ্লো গ্রাফ রফতানি করার কোনও উপায় নিজের দ্বারা অন্তর্ভুক্ত করে না তবে আপনি এটি নিয়মিত টেনসরফ্লো ইউটিলিটি ব্যবহার করে করতে পারেন। freeze_graph.py অন্তর্ভুক্ত ইউটিলিটি স্ক্রিপ্ট freeze_graph.py ব্যবহার করে এটি কীভাবে করবেন তা ব্যাখ্যা করার জন্য Here একটি ব্লগ পোস্ট দেওয়া হচ্ছে, এটি "সাধারণ" উপায়।

যাইহোক, আমি ব্যক্তিগতভাবে একটি চেকপয়েন্ট তৈরি করার পরে একটি মডেল পাওয়ার জন্য একটি বাহ্যিক স্ক্রিপ্ট চালানোর জন্য একটি উপদ্রব পেয়েছি এবং পরিবর্তে এটি আমার নিজের পাইথন কোড থেকে এটি করতে পছন্দ করি, তাই আমি এই জাতীয় ফাংশনটি ব্যবহার করি:

def freeze_session(session, keep_var_names=None, output_names=None, clear_devices=True):
    """
    Freezes the state of a session into a pruned computation graph.

    Creates a new computation graph where variable nodes are replaced by
    constants taking their current value in the session. The new graph will be
    pruned so subgraphs that are not necessary to compute the requested
    outputs are removed.
    @param session The TensorFlow session to be frozen.
    @param keep_var_names A list of variable names that should not be frozen,
                          or None to freeze all the variables in the graph.
    @param output_names Names of the relevant graph outputs.
    @param clear_devices Remove the device directives from the graph for better portability.
    @return The frozen graph definition.
    """
    graph = session.graph
    with graph.as_default():
        freeze_var_names = list(set(v.op.name for v in tf.global_variables()).difference(keep_var_names or []))
        output_names = output_names or []
        output_names += [v.op.name for v in tf.global_variables()]
        input_graph_def = graph.as_graph_def()
        if clear_devices:
            for node in input_graph_def.node:
                node.device = ""
        frozen_graph = tf.graph_util.convert_variables_to_constants(
            session, input_graph_def, output_names, freeze_var_names)
        return frozen_graph

যা freeze_graph.py বাস্তবায়নে অনুপ্রাণিত। পরামিতিগুলিও স্ক্রিপ্টের মতো। session টেনসরফ্লো সেশন অবজেক্ট। keep_var_names কেবল তখনই প্রয়োজন হয় যদি আপনি কিছু পরিবর্তনশীল হিমায়িত না করে রাখতে চান (যেমন রাষ্ট্রীয় মডেলগুলির জন্য), সাধারণত না। output_names অপারেশনগুলির নামের সাথে একটি তালিকা যা আপনার output_names আউটপুট উত্পাদন করে। clear_devices ডিভাইসগুলি গ্রাফটিকে আরও পোর্টেবল করার জন্য যে কোনও ডিভাইস নির্দেশিকা সরিয়ে দেয়। সুতরাং, একটি আউটপুট সহ একটি সাধারণ কেরাস model জন্য আপনি এমন কিছু করতে পারেন:

from keras import backend as K

# Create, compile and train model...

frozen_graph = freeze_session(K.get_session(),
                              output_names=[out.op.name for out in model.outputs])

তারপরে আপনি যথারীতি tf.train.write_graph ব্যবহার করে কোনও ফাইলটিতে গ্রাফটি লিখতে পারেন:

tf.train.write_graph(frozen_graph, "some_directory", "my_model.pb", as_text=False)

দয়া করে tf.saved_model.simple_save ব্যবহার tf.saved_model.simple_save , কয়েকটি উদাহরণ কোড:

with tf.keras.backend.get_session() as sess:
    tf.saved_model.simple_save(
        sess,
        export_path,
        inputs={'input': keras_model.input},
        outputs={'output': keras_model.output})

=== আপডেট ====

আপনি as_a_saved_model , উদাহরণ কোডগুলি ব্যবহার করতে পারেন:

saved_model_path = tf.contrib.saved_model.save_keras_model(model, "./saved_models")

ফ্রিজ_সেশন পদ্ধতিটি দুর্দান্ত কাজ করে। তবে চেকপয়েন্ট ফাইলে সংরক্ষণের সাথে তুলনা করে তারপরে টেনসরফ্লো দিয়ে আসা ফ্রিজ_গ্রাফিক সরঞ্জামটি ব্যবহার করা আমার কাছে সহজ বলে মনে হয়, কারণ এটি বজায় রাখা আরও সহজ। আপনাকে যা করতে হবে তা হল নিম্নলিখিত দুটি পদক্ষেপ:

প্রথমে আপনার কেরাস কোড model.fit(...) এবং আপনার মডেলটিকে প্রশিক্ষণ দিন:

from keras import backend as K
import tensorflow as tf
print(model.output.op.name)
saver = tf.train.Saver()
saver.save(K.get_session(), '/tmp/keras_model.ckpt')

তারপরে আপনার টেনসরফ্লো রুট ডিরেক্টরিতে সিডি করুন, রান করুন:

python tensorflow/python/tools/freeze_graph.py \
--input_meta_graph=/tmp/keras_model.ckpt.meta \
--input_checkpoint=/tmp/keras_model.ckpt \
--output_graph=/tmp/keras_frozen.pb \
--output_node_names="<output_node_name_printed_in_step_1>" \
--input_binary=true




keras