Desarrollo de Python
  1. Desarrollo de Python
  3. Obtenga los elementos input_array y output_array para convertir el modelo al formato tflite
Intereting Posts
Python: Convierta Unicode a ASCII sin errores para el archivo CSV Accediendo a un atributo usando una variable en Python Instale Python 3 en / usr / bin / en macOS Cómo aplanar una tupla en python Ordenar la matriz numpy ND por otra matriz 1-D Abrir un EXE de mi progtwig Pygame me da errores de importación Diccionario como tabla en la plantilla de Django Python – ¿Cómo reiniciar un bucle for, similar a “continuar” para los bucles while? Colapsar filas en un dataframe de Pandas si todas las filas tienen solo un valor en sus columnas ¿Hay una manera de averiguar el nombre del archivo stdout se redirige a en Python ¿Cómo obtener el valor ASCII de un personaje? abridor urllib2 proporcionando juego de caracteres incorrecto Cómo finalizar el progtwig que se ejecuta después de un tiempo determinado en Python ¿Cómo crear una clase de lista personalizada en python? ¿Hay alguna manera de hacer simplejson menos estricto?

Obtenga los elementos input_array y output_array para convertir el modelo al formato tflite

PD. Por favor, no me apuntes a convertir el modelo de Keras directamente a tflite ya que mi archivo .h5 no se convertiría a .tflite directamente. De alguna manera logré convertir mi archivo .h5 a .pb

He seguido este cuaderno de Jupyter para el reconocimiento facial con Keras. Luego model.h5 mi modelo en un archivo model.h5 , luego lo convertí en un gráfico congelado, model.pb usando esto .

Ahora quiero usar mi archivo tensorflow en Android. Para esto necesitaré tener Tensorflow Lite, que requiere que convierta mi modelo en un formato .tflite .

Para esto, estoy tratando de seguir las pautas oficiales para ello aquí . Como puede ver, requiere matrices input_array y output_array . ¿Cómo model.pb detalles de estas cosas de mi archivo model.pb ?

    input arrays y output arrays son las matrices que almacenan los tensores de entrada y salida respectivamente.

    Tienen la intención de informar al TFLiteConverter sobre los tensores de entrada y salida que se utilizarán en el momento de la inferencia.

    Para un modelo de Keras,

    El tensor de entrada es el tensor de posición de la primera capa. 

     input_tensor = model.layers[0].input

    El tensor de salida puede relacionarse con una función de activación. 

     output_tensor = model.layers[ LAST_LAYER_INDEX ].output

    Para un gráfico congelado, 

     import tensorflow as tf gf = tf.GraphDef() m_file = open('model.pb','rb') gf.ParseFromString(m_file.read())

    Obtenemos los nombres de los nodos, 

     for n in gf.node: print( n.name )

    Para obtener el tensor, 

     tensor = n.op

    El tensor de entrada puede ser un tensor de marcador de posición. El tensor de salida es el tensor que se ejecuta con session.run()

    Para la conversión, obtenemos, 

     input_array =[ input_tensor ] output_array = [ output_tensor ]