我如何获得 TOCO tf_convert 的冻结 Tensorflow 模型的 input_shape

Question

我正在尝试使用 TF Lite Converter (this is the specific model i am using) 在 Ubuntu 18.04.1 LTS（VirtualBox）上将我从 davidsandberg/facenet 获得的冻结模型转换为 .tflite。 当我尝试运行命令时：

/home/nils/.local/bin/tflite_convert 
--output_file=/home/nils/Documents/frozen.tflite 
--graph_def_file=/home/nils/Documents/20180402-114759/20180402-114759.pb 
--input_arrays=input --output_array=embeddings

我收到以下错误：

2018-11-29 16:36:21.774098: I 
tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports 
instructions that this TensorFlow binary was not compiled to use: AVX2
Traceback (most recent call last):
File "/home/nils/.local/bin/tflite_convert", line 11, in <module>
 sys.exit(main())
File 
"/home/nils/.local/lib/python3.6/site-packages/tensorflow/contrib   /lite/python/tflite_convert.py", 
line 412, in main
 app.run(main=run_main, argv=sys.argv[:1])
   File 
"/home/nils/.local/lib/python3.6/site-packages/tensorflow/python/platform/app.py", 
line 125, in run
 _sys.exit(main(argv))
File 
"/home/nils/.local/lib/python3.6/site-packages/tensorflow/contrib/lite/python/tflite_convert.py", 
line 408, in run_main
 _convert_model(tflite_flags)
File 
"/home/nils/.local/lib/python3.6/site-packages/tensorflow/contrib/lite/python/tflite_convert.py", 
line 162, in _convert_model
 output_data = converter.convert()
File 
"/home/nils/.local/lib/python3.6/site-packages/tensorflow/contrib/lite/python/lite.py", 
line 404, in convert
 "'{0}'.".format(_tensor_name(tensor)))
ValueError: Provide an input shape for input array 'input'.

由于我自己没有训练模型，我不知道输入的确切形状。可能可以从位于 facenet/src 的 David Sandberg 的 GitHubRep. 中找到的分类器.py 和 facenet.py 中提取它，但我自己对代码的理解不够。 我什至尝试通过张量板分析图表。反正我想不通，但也许你可以：Tensorboard-Screenshot 正如您可能已经注意到的那样，我对 Ubuntu、Tensorflow 和所有相关的东西都很陌生，所以我很乐意就这个问题提出任何建议。 提前谢谢！

这是分类器.py 的相关部分，模型在其中被加载和设置：

 # Load the model
        print('Loading feature extraction model')
        facenet.load_model(args.model)

        # Get input and output tensors
        images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
        embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
        phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")
        embedding_size = embeddings.get_shape()[1]

        # Run forward pass to calculate embeddings
        print('Calculating features for images')
        nrof_images = len(paths)
        nrof_batches_per_epoch = int(math.ceil(1.0*nrof_images / args.batch_size))
        emb_array = np.zeros((nrof_images, embedding_size))
        for i in range(nrof_batches_per_epoch):
            start_index = i*args.batch_size
            end_index = min((i+1)*args.batch_size, nrof_images)
            paths_batch = paths[start_index:end_index]
            images = facenet.load_data(paths_batch, False, False, args.image_size)
            feed_dict = { images_placeholder:images, phase_train_placeholder:False }
            emb_array[start_index:end_index,:] = sess.run(embeddings, feed_dict=feed_dict)

        classifier_filename_exp = os.path.expanduser(args.classifier_filename)

Answer 1

如果你再次启动 Tensorboard，回到你看到的图表，应该有一个搜索图标（我想在左上角），你可以在其中输入“输入”并找到输入张量。它会给你想要的形状。我猜它会是 '[1,image_size, image_size, 3]' 的形式。

或者，您可以检查代码

feed_dict = { images_placeholder:images, phase_train_placeholder:False }

请注意，我们将 'images' 对象输入到 images_placeholder 中，它映射到“input:0”张量。然后，您基本上需要图像对象的形状。

图像来自对 facenet.load_data() 的调用。如果您进入 facenet.py 并检查 load_data 函数，您可以观察到该形状类似于我上面建议的形状。如果您打印 image_size 值，它应该与您在 Tensorboard 中看到的一致。

Answer 2

感谢您的帮助，我确实像 Alan Chiao 所说的那样，跟着 load_data() 到了 facenet.py，最终我找到了形状 [1,160, 160, 3]。此外，Tensorflow's command line reference for the tf lite converter 向我展示了我必须注意的事项：

--输入形状。类型：逗号分隔列表的冒号分隔列表 整数。每个以逗号分隔的整数列表给出的形状为 TensorFlow 约定中指定的输入数组之一。

示例：--input_shapes=1,60,80,3 对于典型的视觉模型意味着批量大小为 1，输入图像高度为 60，输入图像宽度为 80，输入图像深度为 3（表示RGB 通道）。

Answer 3

我浏览了 tflite 转换器的代码。我发现您需要以{"input_tensor_name": [input shape]} 格式将输入形状作为字典提供。

以下是解决问题的示例：

`graph_def_file = "20180402-114759/20180402-114759.pb"
input_arrays = ["input"]
output_arrays = ["embeddings"]

converter = tf.lite.TFLiteConverter.from_frozen_graph(
  graph_def_file, input_arrays, output_arrays,input_shapes={"input":[1,160,160,3]})

tflite_model = converter.convert()
open("model.tflite", "wb").write(tflite_model)
`