tensorflow模型优化方法总结_tensorflow优化方法

对于.pb模型优化总共有两条线：
一、删除多余节点后+发布手机程序时的大幅压缩能力，主要针对手机需要两步连用：optimize_for_inference.py +quantize_graph.py（python文件见网盘：https://pan.baidu.com/s/1hdODQTUb7rqHirlUV4zpxA）

1.前者位于tensorflow1.13.1/tensorflow/python/tools中,作用删除删除输入和输出节点之间所有不需要的节点。
调用optimize_for_inference脚本会删除输入和输出节点之间所有不需要的节点。同时该脚本还做了一些其他优化以提高运行速度。例如它把显式批处理标准化运算跟卷积权重进行了合并，从而降低了计算量。
使用方法：
python3 -m optimize_for_inference.py
–input=/tf_files/CTNModel.pb
–output=/tf_files/optimized_graph.pb
–input_names=inputs/X
–output_names=output/predict

首先用bazel build出我们的optimize_for_inference脚本，再调用这个脚本，提供几个参数：输入的PB文件路径，输出的PB文件路径，输入节点名以及输出节点名。经过这一次的优化，文件变小，但大小差别不大。

2.后者位于tensorflow1.13.1/tensorflow/contrib/quantize/python中（我时用bazel build过的源码），经过这个脚本的PB文件原本的大小不会改变，但会有更多的可利用的重复性，压缩成zip包会缩小大约3~4倍的大小。说白了，就是模型大小不变，但是有了打包apk时变小的能力，打包成安卓程序时，它会变成原来的约1/4，使得apk文件不会很大。对于树莓派毫无用处。
使用方式很简单：
python3 -m quantize_graph.py
–input=optimized_graph.pb
–output=rounded_graph.pb
–output_node_names=final_result
–mode=weights_rounded
输入的参数依然是：输入的PB文件路径，输出的PB文件路径，输出节点名，这里还有个特别的参数mode，这个参数是告诉脚本我们选择哪种压缩方式，这里我们选择了对权重进行四舍五入。mode 有很多可选值：quantize, eightbit, weights, weights_rounded等，需要自己查吧。

二、graph_transforms （用 bazel 工具构建,python文件见网盘：https://pan.baidu.com/s/1hdODQTUb7rqHirlUV4zpxA）
在2017年的Google I/O大会上，曾提到过的graph_transforms是一整套优化工具，基本上所有的优化方案都能在这里找到，包括之前的那两种优化方式。
示例代码(要在有bazel-bin快捷方式的文件目录下运行，具体见我的上篇博文https://blog.csdn.net/weixin_44345862/article/details/99430175 跟以下代码参数有所不同)：
bazel-bin/tensorflow/tools/graph_transforms/transform_graph
–in_graph=CTNModel.pb
–out_graph=optimized_graph.pb
–inputs=‘inputs/X’
–outputs=‘output/predict’
–transforms=’
strip_unused_nodes(type=float, shape=“256*64”)
remove_nodes(op=Identity, op=CheckNumerics)
fold_constants(ignore_errors=true)
fold_batch_norms
fold_old_batch_norms’

transforms的参数代表着想要做的操作，这里主要就是删除未调用的节点，以及优化BN算法，而且必须先运行fold_constants。

还有另外两种不同功能模式：
1）Eight-bit（我上篇用的这个https://blog.csdn.net/weixin_44345862/article/details/99430175）
bazel-bin/tensorflow/tools/graph_transforms/transform_graph
–in_graph=CTNModel.pb
–out_graph=eight_bit_graph.pb
–inputs=‘inputs/X’
–outputs=‘output/predict’
–transforms=’
strip_unused_nodes(type=float, shape=“25664")
fold_constants(ignore_errors=true)
fold_batch_norms
fold_old_batch_norms
quantize_weights’
把权重的数据类型由32位的float 32转成8位的int，在数据类型层面为模型减少3~4倍的占用大小。成效还是挺明显的，不过缺点就是损失精度较大，非必要情况，建议别使用。
2）round_weights 权重进行四舍五入，跟quantize_graph.py功能相同
bazel-bin/tensorflow/tools/graph_transforms/transform_graph
–in_graph=CTNModel.pb
–out_graph=rounded_grapg.pb
–inputs=‘inputs/X’
–outputs=‘output/predict’
–transforms=’
strip_unused_nodes(type=float, shape="25664”)
fold_constants(ignore_errors=true)
fold_batch_norms
fold_old_batch_norms
round_weights(num_steps=256)’