从环境搭建到tflite的转换_获取 input_array 和 output_array 项,将模型转换为 tflite 格式

转载自https://zhuanlan.zhihu.com/p/59496851  有改动

 

三月七日凌晨，谷歌连夜发布了有关于Tensorflow最新成果和技术，这应该是贾扬清离开脸书后另一个深度学习界令人惊呼的事件了吧！（旁白：反正你说是就是呗）笔者对Tensorflow 2.0 Alpha 还是Beta不是很感冒，倒是对tensorflow lite 1.0的更新激动到高呼：卧槽，牛比！（破音）

TF2019开发者大会

全球即将同步直播：TensorFlow Dev Summit 2019​mp.weixin.qq.com

点击可看大会回顾

自17年开发者大会，tflite作为tensorflow的移动轻量版随之发布以来，在支持的运算和网络上做了较多兼容的工作，可一直无法让人满意，如此多喜闻乐见的网络没有办法在移动端部署，开发者也只能望洋兴叹。终于！此次大会为开发者带来了福音。支持的op将进一步拓展，RNN/LSTM将完美支持，再辅以前期（not前妻）的移动端GPU加速，吾孰能知否移动端开发的此刻的躁动。

TensorFlow Lite 2019 年发展蓝图​www.zhuanzhi.ai

抱歉，下面才是文章的主旨内容部分！

目前移动端部署，多是采用pb文件和tfmobile，tflite是tfmobile的轻化（light）版，相比tfmobile通常有更小的二进制大小，更少的依赖和更好的性能，大会规划的蓝图似乎让lite真正作为接替者走上历史的舞台（说得自己都诚惶诚恐）.早期看了很多转换tflite模型的技术博客，糟了不少坑，纸短情长，无以在此言表。以下是个人重构的tflite丝滑版流畅的转换情景。

step 1

安装bazel编译工具，bazel官方安装教程 ，推荐第二种Using Bazel custom APT repository安装模式（三步）

step 2

下载tensorflow源码，笔者没尝试在安装版的tf里做编译，用源码不影响平台运转，放心操作。源码地址：tensorflow/tensorflow，配置过tf源码的盆友都知道，接下来配置洪水般倾泻询问的让你进退维谷，推倒重来是常态。记住一条：关于cuDNN配置的全yes，cudn的部分通过，其他的根据需求拟定。

step 3

接下来进入编译bazel 对源码的编译，如果只编译支持cpu的，输入如下代码，参考自：https://www.cnblogs.com/shouhuxianjian/p/9416934.html

$ bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

如果需要gpu支持的，敲如下代码：

$ bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

笔者言：此步骤适宜午休前操作，这样你可以感受不到它的漫长。

 

step 4

好开心，午休归来阿哩哩！编译successful！恭喜，环境基本搭建完成！如果没有安装版tf的可以参考余下的步骤完成。

$bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

$ sudo pip install /tmp/tensorflow_pkg/tensorflow

好了，下面进入崭新阶段，依以下的步骤编译模型转换工具包（前方有坑预警）~

$ bazel build tensorflow/python/tools:freeze_graph（作模型固化的工具）

$ bazel build tensorflow/lite/toto:toto（其他经验分享，这部分路径有误，笔者已更正）

$ bazel build tensorflow/tools/graph_transforms:summarize_graph（查看模型结构的工具）

齐活！下面就可以按照通用方式进行tflite模型转换了，但是我们通常在模型训练完成后只有.ckpt文件，可以将.ckpt文件直接固化成pb文件，这里参考了tensorflow实现将ckpt转pb文件

转换pb代码

这样生成的固化pb文件，可以直接进入toco命令转换了！ 在toco命令中，需要有网络的输入，输出，shape等参数，可以通过这个命令（模型路径替换成自己的）：

$ bazel-bin/tensorflow/tools/graph_transforms/summarize_graph --in_graph=../freeze_graph.pb 参考： Tensorflow 模型转 tflite ，在安卓端使用

模型结构参数

通过网络结构就可找到对应输入/出参量了，进入toco模型转换，（第一行tensoflow toco路径笔者有修正）这里以mobilenet为例，命令如下形式：

$ bazel-bin/tensorflow/lite/toco/toco --input_file=frozen_model.pb \

--output_file=model.tflite \ --input_format=TENSORFLOW_GRAPHDEF \

--output_format=TFLITE \   --inference_type=FLOAT \

\ --input_array=input  \   --output_array=MobilenetV1/Predictions/Reshape_1  --input_shapes="1,224,224,3" 

操作无误后，就可以喜提tflite模型了！