溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編這次要給大家分享的是如何實現keras .h5轉移動端的.tflite文件，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。
以前tensorflow有bug 在winodws下無法轉，但現在好像沒有問題了,代碼如下
將keras 下的mobilenet_v2轉成了tflite
from keras.backend import clear_session
import numpy as np
import tensorflow as tf
clear_session()
np.set_printoptions(suppress=True)
input_graph_name = "../models/weights.best_mobilenet224.h6"
output_graph_name = input_graph_name[:-3] + '.tflite'
converter = tf.lite.TFLiteConverter.from_keras_model_file(model_file=input_graph_name)
converter.post_training_quantize = True
#在windows平臺這個函數有問題，無法正常使用
tflite_model = converter.convert()
open(output_graph_name, "wb").write(tflite_model)
print ("generate:",output_graph_name)補充知識：如何把Tensorflow模型轉換成TFLite模型
深度學習迅猛發展，目前已經可以移植到移動端使用了，TensorFlow推出的TensorFlow Lite就是一款把深度學習應用到移動端的框架技術。
使用TensorFlowLite 需要tflite文件模型，這個模型可以由TensorFlow訓練的模型轉換而成。所以首先需要知道如何保存訓練好的TensorFlow模型。
一般有這幾種保存形式：
1、Checkpoints
2、HDF5
3、SavedModel等
保存與讀取CheckPoint
當模型訓練結束，可以用以下代碼把權重保存成checkpoint格式
model.save_weights('./MyModel',True)
checkpoints文件僅是保存訓練好的權重，不帶網絡結構，所以做predict時需要結合model使用
如：
model = keras_segmentation.models.segnet.mobilenet_segnet(n_classes=2, input_height=224, input_width=224)
model.load_weights('./MyModel')
保存成H5
把訓練好的網絡保存成h6文件很簡單
model.save('MyModel.h6')
H5轉換成TFLite
這里是文章主要內容
我習慣使用H5文件轉換成tflite文件
官網代碼是這樣的
converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h6')
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)但我用的keras 2.2.4版本會報下面錯誤，好像說是新版的keras把relu6改掉了，找不到方法
ValueError: Unknown activation function:relu6
于是需要自己定義一個relu6
import tensorflow as tf
from tensorflow.python.keras import backend as K
from tensorflow.python.keras.utils import CustomObjectScope
def relu6(x):
return K.relu(x, max_value=6)
with CustomObjectScope({'relu6': relu6}):
converter = tf.lite.TFLiteConverter.from_keras_model_file('newModel.h6')
tflite_model = converter.convert()
open("newModel.tflite", "wb").write(tflite_model)看到生成的tflite文件表示保存成功了
也可以這么查看tflite網絡的輸入輸出
import numpy as np import tensorflow as tf # Load TFLite model and allocate tensors. interpreter = tf.lite.Interpreter(model_path="newModel.tflite") interpreter.allocate_tensors() # Get input and output tensors. input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() print(input_details) print(output_details)
輸出了以下信息
[{'name': 'input_1', 'index': 115, 'shape': array([ 1, 224, 224, 3]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]
[{'name': 'activation_1/truediv', 'index': 6, 'shape': array([ 1, 12544, 2]), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0)}]
兩個shape分別表示輸入輸出的numpy數組結構，dtype是數據類型
看完這篇關于如何實現keras .h5轉移動端的.tflite文件的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
