如何使用C#将Tensorflow训练的.pb文件用在生产环境详解
前言
tensorflow是google开源的一款人工智能学习系统。为什么叫这个名字呢?tensor的意思是张量,代表n维数组;flow的意思是流,代表基于数据流图的计算。把n维数字从流图的一端流动到另一端的过程,就是人工智能神经网络进行分析和处理的过程。
训练了很久的tf模型,终于要到生产环境中去考研一番了。今天花费了一些时间去研究tf的模型如何在生产环境中去使用。大概整理了这些方法。
继续使用分步骤保存了的ckpt文件
这个貌似脱离不了tensorflow框架,而且生成的ckpt文件比较大,发布到生产环境的时候,还得把python的算法文件一起搞上去,如何和其他程序交互,可能还得自己去写服务。估计很少有人这么做,貌似性能也很一般。
使用tensorflow serving
tf serving貌似是大家都比较推崇的方法。需要编译tfserving,然后把模型导出来。直接执行tf serving的进程,就可以对外提供服务了。具体调用的时候,还得自己写客户端,使用人grpc去调用serving,然后再对外提供服务,听上去比较麻烦。而且我今天没太多的时间去研究grpc,网络上关于客户端很多都是用python写的,我感觉自己的python水平比较菜,没信心能写好。所以这个方式就先没研究。
生产.pb文件,然后写程序去调用.pb文件
生成了.pb文件以后,就可以被程序去直接调用,传入参数,然后就可以传出来参数,而且生成的.pb文件非常的小。而我又有比较丰富的.net开发经验。在想,是否可以用c#来解析.pb文件,然后做一个.net core的对外服务的api,这样貌似更加高效,关键是自己熟悉这款的开发,不用花费太多的时间去摸索。、
具体的思路
使用.net下面的tensorflow框架tensorflowsharp(貌似还是没脱离了框架).去调用pb文件,然后做成.net core web api 对外提供服务。
具体的实现
直接上代码,非常简单,本身设计到tensorflowsharp的地方非常的少
var graph = new tfgraph(); //重点是下面的这句,把训练好的pb文件给读出来字节,然后导入 var model = file.readallbytes(model_file); graph.import(model); console.writeline("请输入一个图片的地址"); var src = console.readline(); var tensor = imageutil.createtensorfromimagefile(src); using (var sess = new tfsession(graph)) { var runner = sess.getrunner(); runner.addinput(graph["cast_1"][0], tensor); var r = runner.run(graph.softmax(graph["softmax_linear/softmax_linear"][0])); var v = (float[,])r.getvalue(); console.writeline(v[0,0]); console.writeline(v[0, 1]); }
imageutil这个类库是tensorflowsharp官方的例子中一个把图片转成tensor的类库,我直接copy过来了,根据我的网络,修改了几个参数。
public static class imageutil { public static tftensor createtensorfromimagefile(byte[] contents, tfdatatype destinationdatatype = tfdatatype.float) { var tensor = tftensor.createstring(contents); tfoutput input, output; // construct a graph to normalize the image using (var graph = constructgraphtonormalizeimage(out input, out output, destinationdatatype)) { // execute that graph to normalize this one image using (var session = new tfsession(graph)) { var normalized = session.run( inputs: new[] { input }, inputvalues: new[] { tensor }, outputs: new[] { output }); return normalized[0]; } } } // convert the image in filename to a tensor suitable as input to the inception model. public static tftensor createtensorfromimagefile(string file, tfdatatype destinationdatatype = tfdatatype.float) { var contents = file.readallbytes(file); // decodejpeg uses a scalar string-valued tensor as input. var tensor = tftensor.createstring(contents); tfoutput input, output; // construct a graph to normalize the image using (var graph = constructgraphtonormalizeimage(out input, out output, destinationdatatype)) { // execute that graph to normalize this one image using (var session = new tfsession(graph)) { var normalized = session.run( inputs: new[] { input }, inputvalues: new[] { tensor }, outputs: new[] { output }); return normalized[0]; } } } // the inception model takes as input the image described by a tensor in a very // specific normalized format (a particular image size, shape of the input tensor, // normalized pixel values etc.). // // this function constructs a graph of tensorflow operations which takes as // input a jpeg-encoded string and returns a tensor suitable as input to the // inception model. private static tfgraph constructgraphtonormalizeimage(out tfoutput input, out tfoutput output, tfdatatype destinationdatatype = tfdatatype.float) { // some constants specific to the pre-trained model at: // https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip // // - the model was trained after with images scaled to 224x224 pixels. // - the colors, represented as r, g, b in 1-byte each were converted to // float using (value - mean)/scale. const int w = 128; const int h = 128; const float mean = 0; const float scale = 1f; var graph = new tfgraph(); input = graph.placeholder(tfdatatype.string); output = graph.cast( graph.div(x: graph.sub(x: graph.resizebilinear(images: graph.expanddims(input: graph.cast(graph.decodejpeg(contents: input, channels: 3), dstt: tfdatatype.float), dim: graph.const(0, "make_batch")), size: graph.const(new int[] { w, h }, "size")), y: graph.const(mean, "mean")), y: graph.const(scale, "scale")), destinationdatatype); return graph; } }
搞定
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对的支持。
上一篇: 电脑拖动窗口会有波浪纹的解决方法