inception v3模型经过迁移学习后移植到移动端的填坑经历

         先混乱的记录下

        1、在将迁移后的pb文件转换为lite文件时报错，

   使用 graph.get_operations()查看tensor，Tensor("DecodeJpeg/contents:0", shape=(), dtype=string)，原来使用TensorFlow中提供的图像读取函数tf.image.decode_jpeg()得到的是原始的图像数据，格式为byte数组，具体的格式对照如下图所示

                 

          这跟print( tf.gfile.FastGFile(os.path.join(root, file), 'rb').read())类型bytes[]一致，但是该张量作为模型的输入是不合适的，因为缺少了batch信息，我们在apk端的imgdata是个四维数组，第一维是batchsize，那么在inception V3模型中已经有相应的转换数据格式的节点Cast(类型转换)，expanddims（增加维度）,resizeBilinear(将输入resize为一维向量)，那么直接使用resizeBilinear节点作为输入节点，当然，apk端的imgdata此时未经过归一化处理，如果apk端已经进行了归一化处理，那么模型的输入节点就应该为Mul节点了。这样再进行模型转换就没有问题了。

          2、对固化好的pb文件进行量化时的操作命令

         bazel-bin/tensorflow/tools/quantization/quantize_graph  --input=scr_v6.pb  \

                                                                                                 --output_node_names="output" \

                                                                                                 --output= quantized_graph.pb  \

                                                                                                 --mode=eightbit

         3、如果需要将pb文件转换为lite文件那么需要先对模型进行优化，以去掉不需要的和不支持的节点

         先编译下该模块bazel build tensorflow/python/tools:optimize_for_inference，如果之前编译过则不需要再编译，然后执行
 

        bazel-bin/tensorflow/python/tools/optimize_for_inference --input=scr_v6.pb \

                                                                                                   --output=optimized.pb \

                                                                                                   --frozen_graph=True \

                                                                                                   --input_names=Mul \

                                                                                                   --output_names=output/prob

         然后再使用toco命令将pb文件转换为量化的tflite文件

       bazel build tensorflow/contrib/lite/toco:toco，同样，之前编译过就不需要再编译。

       bazel-bin/tensorflow/contrib/lite/toco/toco  --input_file=scr_v6.pb \

                                                                         --input_format=TENSORFLOW_GRAPHDEF \

                                                                         --output_format=TFLITE  --output_file=quantize_graph_v2.tflite  \
                                                                         --inference_type=QUANTIZED_UINT8  \

                                                                         --input_arrays=Mul  \

                                                                         --output_arrays=output/prob  \

                                                                         --input_shapes=1,299,299,3  \

                                                                        --default_ranges_min=0.0 \

                                                                        --default_ranges_max=255.0

            4、转换成功后移植到android中，但是预测结果变化很大，该问题尚未搞明白，尝试在代码中添加如下语句，来生成量化模型，首先在loss函数后加

             tf.contrib.quantize.create_training_graph(quant_delay=get_quant_delay()) #它会自动将计算图伪量化，在生成pb文件的代码前添加

            tf.contrib.quantize.create_eval_graph() #增加这段代码

即可生成量化后的模型文件。

 

本文参考：

https://blog.csdn.net/qq_16564093/article/details/78996563