用mmdnn實現模型轉換

參考鏈接：https://www.twblogs.net/a/5ca4cadbbd9eee5b1a0713af

安裝mmdnn pip install mmdnn

?

準備好mxnet模型的.json文件和.params文件, 以InsightFace MxNet r50為例? ? ? ??https://github.com/deepinsight/insightface

用mmdnn運行命令行 python -m mmdnn.conversion._script.convertToIR -f mxnet -n model-symbol.json -w model-0000.params -d resnet50 --inputShape 3,112,112

?

　會生成resnet50.json(可視化文件) resnet50.npy(權重參數) resnet50.pb(網絡結構)三個文件。

用mmdnn運行命令行 python -m mmdnn.conversion._script.IRToCode -f tensorflow --IRModelPath resnet50.pb --IRWeightPath resnet50.npy --dstModelPath tf_resnet50.py

?

　生成tf_resnet50.py文件，可以調用tf_resnet50.py中的KitModel函數加載npy權重參數重新生成原網絡框架。

打開tf_resnet.py文件，修改load_weights()中的代碼 （tensorflow=1.14.0報錯）　

try:weights_dict = np.load(weight_file).item()except:weights_dict = np.load(weight_file, encoding='bytes').item()

改為

try:weights_dict = np.load(weight_file, allow_pickle=True).item() except:weights_dict = np.load(weight_file, allow_pickle=True, encoding='bytes').item()

?

基于resnet50.npy和tf_resnet50.py文??件，固化參數，生成PB文件：

import tensorflow as tf import tf_resnet50 as tf_fun def netWork():model=tf_fun.KitModel("./resnet50.npy")return model def freeze_graph(output_graph):output_node_names = "output"data,fc1=netWork()fc1=tf.identity(fc1,name="output")graph = tf.get_default_graph() # 獲得默認的圖input_graph_def = graph.as_graph_def() # 返回一個序列化的圖代表當前的圖init = tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)output_graph_def = tf.graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定sess=sess,input_graph_def=input_graph_def, # 等於:sess.graph_defoutput_node_names=output_node_names.split(",")) # 如果有多個輸出節點，以逗號隔開 with tf.gfile.GFile(output_graph, "wb") as f: # 保存模型f.write(output_graph_def.SerializeToString()) # 序列化輸出if __name__ == '__main__':freeze_graph("frozen_insightface_r50.pb")print("finish!")

?

采用tensorflow的post-train quantization離線量化方法（有一定的精度損失）轉換成tflite模型，從而完成端側的模型部署： import tensorflow as tfconvert=tf.lite.TFLiteConverter.from_frozen_graph("frozen_insightface_r50.pb",input_arrays=["data"],output_arrays=["output"],input_shapes={"data":[1,112,112,3]}) convert.post_training_quantize=True tflite_model=convert.convert() open("quantized_insightface_r50.tflite","wb").write(tflite_model) print("finish!")

?

轉載于:https://www.cnblogs.com/qiangz/p/11134240.html

總結

以上是生活随笔為你收集整理的MxNet 模型转Tensorflow pb模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。