如何把tensorflow的pb模型轉(zhuǎn)換為CoreML的mlmodel模型

前言

鑒于發(fā)布這篇博客以來已經(jīng)有不少人私信問我如何去轉(zhuǎn)換,我想可能是我的博客并沒有寫明白箫爷,于是我決定把這篇文章完善一下舌稀。

私信我的人有下面這兩種情況:

  1. 只是自己寫iOS,想嘗試如何在iOS上跑神經(jīng)網(wǎng)絡(luò)模型剖效,偏向于玩的性質(zhì)嫉入。
  2. 確實(shí)有需求需要轉(zhuǎn)換模型焰盗,偏向于工作的性質(zhì)。

如果你是第一種的話咒林,我推薦直接使用iOS12的CreateML或者我的另一篇文章Apple機(jī)器學(xué)習(xí)庫turicreate實(shí)戰(zhàn)——使用cifar-10數(shù)據(jù)集做圖像分類熬拒。如果你是第二種的話,你可能需要與交付你模型的人溝通一下垫竞。因?yàn)樯婕暗侥P偷妮斎胼敵龅膕hape澎粟,如果你對tensorflow了解不多的話這個(gè)轉(zhuǎn)化過程是十分不友好的。

我的需求

最近有需求需要把tensorflow訓(xùn)練的模型在iOS上使用欢瞪,然后我在GitHub上發(fā)現(xiàn)了一個(gè)叫tf-coreml的庫活烙,他可以把pb模型轉(zhuǎn)化為mlmodel模型。

轉(zhuǎn)換

獲得模型

你的目標(biāo)一定是通過訓(xùn)練來保存模型遣鼓,最后放在xcode里可以用來調(diào)用啸盏。使用tensorflow訓(xùn)練保存的模型有兩種格式:

  1. checkpoint格式
  2. pb格式

第一種格式需要你通過代碼把checkpont固化為pb模型,但是這一步的坑特別多骑祟,我嘗試之后覺得不太友好回懦。第二種是訓(xùn)練完用tensorflow直接保存為pb格式的模型,就已經(jīng)滿足轉(zhuǎn)化的條件了次企。

轉(zhuǎn)換前需要了解的知識

如果你對tensorflow并不了解粉怕,我覺得在看下面的轉(zhuǎn)換過程之前,你需要了解一些基本的知識以便你能順利的轉(zhuǎn)換抒巢。先放上我的demo方便講解贫贝。

一般來說,轉(zhuǎn)換的過程中你需要關(guān)注輸入和輸出蛉谜,我隨意舉例:

input = tf.placeholder(tf.float32, shape=[None, 36], name="Input")
# 可能是這樣稚晚,我記不太清了,輸出可以是千奇百怪的
output = tf.layers.dense(inputs=self.layer2, units=1, activation=tf.nn.relu, name="Prediction")

如果這個(gè)神經(jīng)網(wǎng)絡(luò)模型并不是你一手操辦的型诚,那你肯定是不知道你的輸入輸出到底是啥了客燕。這個(gè)時(shí)候你打開我demo里的一個(gè)叫network-info.txt的文件,里面有兩段內(nèi)容:

---------------------------------------------------------------------------------------------------------------------------------------------
0: op name = import/Input, op type = ( Placeholder ), inputs = , outputs = import/Input:0
@input shapes:
@output shapes:
name = import/Input:0 : (?, 36)
---------------------------------------------------------------------------------------------------------------------------------------------

---------------------------------------------------------------------------------------------------------------------------------------------
19: op name = import/Prediction, op type = ( Relu ), inputs = import/add_5:0, outputs = import/Prediction:0
@input shapes:
name = import/add_5:0 : (?, 1)
@output shapes:
name = import/Prediction:0 : (?, 1)
---------------------------------------------------------------------------------------------------------------------------------------------

這個(gè)是根據(jù)我demo里的inspect_pb.py生成的狰贯,這兩個(gè)就是輸入輸出的op也搓。“outputs = import/Input:0"涵紊,最后那個(gè)Input:0就是你需要關(guān)注的內(nèi)容傍妒。你會(huì)發(fā)現(xiàn)他們倆剛好一個(gè)在最前面一個(gè)在最后面。這不是一定的摸柄,但經(jīng)常是這樣的颤练。實(shí)際情況下你可能需要與交付你模型的同事溝通一下到底輸入和輸出是哪一個(gè)。

轉(zhuǎn)換過程

下載inspect_pb.py文件

進(jìn)入tf-coreml的github驱负,然后下載他們那個(gè)庫里utils/下的一個(gè)inspect_pb.py文件嗦玖,如圖1患雇、2。

圖1
圖2

把這個(gè)py改一下宇挫,里面的方法可以把pb模型圖里的所有信息寫在一個(gè)txt格式的文件里苛吱,如圖3。

圖3

你可以在圖3顯示的txt里找到你需要的輸入和輸出信息的全名器瘪,這里你需要找的就與上文所述的一樣翠储。轉(zhuǎn)換代碼如下:

import tfcoreml
tfcoreml.convert(tf_model_path="./model_0.pb",
                     mlmodel_path="./model.mlmodel",
                     output_feature_names=['Prediction:0'],
                     input_name_shape_dict={'Input:0': [1, 36]})

你可能很納悶為啥名字得是'Prediction:0','Input:0'娱局,這我也不知道彰亥,但是我知道tensorflow里面通過名字獲得變量的時(shí)候也得這么寫咧七。

參數(shù)解釋一下衰齐,第一個(gè)參數(shù)是pb模型的路徑,第二個(gè)參數(shù)是生成mlmodel模型的路徑继阻,第三個(gè)是輸出的名字耻涛,這個(gè)輸出的名字需要在上文所述生成的txt文件里有,且是你需要的瘟檩,第四個(gè)是可選的抹缕,像我的Input的shape是[?, 36],因?yàn)槲业妮斎胧窍旅孢@樣的

input = tf.placeholder(tf.float32, shape=[None, 36], name="Input")

這里要保證輸入固定的墨辛,所以改為 [1, 36]卓研。

demo: GitHub

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市睹簇,隨后出現(xiàn)的幾起案子奏赘,更是在濱河造成了極大的恐慌,老刑警劉巖太惠,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件磨淌,死亡現(xiàn)場離奇詭異,居然都是意外死亡凿渊,警方通過查閱死者的電腦和手機(jī)梁只,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來埃脏,“玉大人搪锣,你說我怎么就攤上這事〔势” “怎么了淤翔?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長佩谷。 經(jīng)常有香客問我旁壮,道長监嗜,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任抡谐,我火速辦了婚禮裁奇,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘麦撵。我一直安慰自己刽肠,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布免胃。 她就那樣靜靜地躺著音五,像睡著了一般。 火紅的嫁衣襯著肌膚如雪羔沙。 梳的紋絲不亂的頭發(fā)上躺涝,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天,我揣著相機(jī)與錄音扼雏,去河邊找鬼坚嗜。 笑死,一個(gè)胖子當(dāng)著我的面吹牛诗充,可吹牛的內(nèi)容都是我干的苍蔬。 我是一名探鬼主播,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼蝴蜓,長吁一口氣:“原來是場噩夢啊……” “哼碟绑!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起茎匠,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤格仲,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后汽抚,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體抓狭,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年造烁,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了否过。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,654評論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡惭蟋,死狀恐怖苗桂,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情告组,我是刑警寧澤煤伟,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響便锨,放射性物質(zhì)發(fā)生泄漏围辙。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一放案、第九天 我趴在偏房一處隱蔽的房頂上張望姚建。 院中可真熱鬧,春花似錦吱殉、人聲如沸掸冤。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽稿湿。三九已至,卻和暖如春押赊,著一層夾襖步出監(jiān)牢的瞬間饺藤,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工考杉, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留策精,地道東北人舰始。 一個(gè)月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓崇棠,卻偏偏與公主長得像,于是被迫代替她去往敵國和親丸卷。 傳聞我的和親對象是個(gè)殘疾皇子枕稀,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容