VitisAI(07) 自定义模型部署

本文以自定义模型为例，对使用VitisAI进行模型量化部署的流程进行介绍

Workflow

• 数据集为fashion_mnist

• 使用Tensorflow2搭建一个简单分类网络并进行训练，导出模型文件

• 使用VitsiAI docker中的vai_q_tensorflow2工具进行模型量化和校准，得到校准模型文件

• 使用VitisAI docker中的vai_c_tensorflow2工具进行模型编译，生成能够部署在DPU上的模型文件

• 编写模型推理程序(Python)，并将推理程序、编译后的模型文件以及测试图片导入设备中，运行推理程序进行图片分类

Train

keras内置了fashion_mnist数据集，该数据集是小尺寸商品分类数据集，由28x28的单通道灰度图构成，训练集为60000张图片，测试集为10000张图片

导入包并加载数据集

import cv2 as cv
import numpy as np
from PIL import Image
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover&#