Как оптимизировать для вывода простой, сохраненный график TensorFlow 1.0.1?

Я не могу успешно запустить модуль optimize_for_inference на простом, сохраненном графике TensorFlow (Python 2.7; пакет, установленный pip install tensorflow-gpu==1.0.1).

Фон

Сохранение графика TensorFlow

Здесь мой скрипт Python для создания и сохранения простого графика для добавления 5 к моей операции ввода x placeholder.

import tensorflow as tf

# make and save a simple graph
G = tf.Graph()
with G.as_default():
    x = tf.placeholder(dtype=tf.float32, shape=(), name="x")
    a = tf.Variable(5.0, name="a")
    y = tf.add(a, x, name="y")
    saver = tf.train.Saver()

with tf.Session(graph=G) as sess:
    sess.run(tf.global_variables_initializer())
    out = sess.run(fetches=[y], feed_dict={x: 1.0})
    print(out)
    saver.save(sess=sess, save_path="test_model")

Восстановление графика TensorFlow

У меня есть простой скрипт восстановления, который воссоздает сохраненный график и восстанавливает параметры графа. Оба сценария сохранения/восстановления производят один и тот же вывод.

import tensorflow as tf

# Restore simple graph and test model output
G = tf.Graph()

with tf.Session(graph=G) as sess:
    # recreate saved graph (structure)
    saver = tf.train.import_meta_graph('./test_model.meta')
    # restore net params
    saver.restore(sess, tf.train.latest_checkpoint('./'))

    x = G.get_operation_by_name("x").outputs[0]
    y = G.get_operation_by_name("y").outputs
    out = sess.run(fetches=[y], feed_dict={x: 1.0})
    print(out[0])

Попытка оптимизации

Но, хотя я не ожидаю многого с точки зрения оптимизации, когда я пытаюсь оптимизировать график для вывода, я получаю следующее сообщение об ошибке. Ожидаемый выходной узел не отображается в сохраненном графике.

$ python -m tensorflow.python.tools.optimize_for_inference --input test_model.data-00000-of-00001 --output opt_model --input_names=x --output_names=y  
Traceback (most recent call last):  
  File "/usr/lib/python2.7/runpy.py", line 174, in _run_module_as_main  
    "__main__", fname, loader, pkg_name)  
  File "/usr/lib/python2.7/runpy.py", line 72, in _run_code  
    exec code in run_globals  
  File "/{path}/lib/python2.7/site-packages/tensorflow/python/tools/optimize_for_inference.py", line 141, in <module>  
    app.run(main=main, argv=[sys.argv[0]] + unparsed)  
  File "/{path}/local/lib/python2.7/site-packages/tensorflow/python/platform/app.py", line 44, in run  
    _sys.exit(main(_sys.argv[:1] + flags_passthrough))
  File "/{path}/lib/python2.7/site-packages/tensorflow/python/tools/optimize_for_inference.py", line 90, in main  
    FLAGS.output_names.split(","), FLAGS.placeholder_type_enum)  
  File "/{path}/local/lib/python2.7/site-packages/tensorflow/python/tools/optimize_for_inference_lib.py", line 91, in optimize_for_inference  
    placeholder_type_enum)  
  File "/{path}/local/lib/python2.7/site-packages/tensorflow/python/tools/strip_unused_lib.py", line 71, in strip_unused  
    output_node_names)  
  File "/{path}/local/lib/python2.7/site-packages/tensorflow/python/framework/graph_util_impl.py", line 141, in extract_sub_graph  
    assert d in name_to_node_map, "%s is not in graph" % d  
AssertionError: y is not in graph

Дальнейшие исследования привели меня к проверке контрольной точки сохраненного графика, который показывает только 1 тензор (a, no x и no y).

(tf-1.0.1) $ python -m tensorflow.python.tools.inspect_checkpoint --file_name ./test_model --all_tensors
tensor_name:  a
5.0

Специальные вопросы

Почему я не вижу x и y на контрольной точке? Это потому, что они являются операциями, а не тензорами?
Поскольку мне нужно предоставить имена ввода и вывода для модуля optimize_for_inference, как мне построить график, чтобы я мог ссылаться на входные и выходные узлы?

Ответ 1

Вот подробное руководство по оптимизации для вывода:

Модуль optimize_for_inference принимает frozen binary GraphDef файл frozen binary GraphDef качестве входных данных и выводит optimized Graph Def файл frozen binary GraphDef который вы можете использовать для вывода. А для получения frozen binary GraphDef file вам необходимо использовать модуль freeze_graph котором используется GraphDef proto, SaverDef proto и набор переменных, хранящихся в файле контрольной точки. Ниже приводятся шаги для достижения этого:

1. Сохранение графика тензорного потока

 # make and save a simple graph
 G = tf.Graph()
 with G.as_default():
   x = tf.placeholder(dtype=tf.float32, shape=(), name="x")
   a = tf.Variable(5.0, name="a")
   y = tf.add(a, x, name="y")
   saver = tf.train.Saver()

with tf.Session(graph=G) as sess:
   sess.run(tf.global_variables_initializer())
   out = sess.run(fetches=[y], feed_dict={x: 1.0})

  # Save GraphDef
  tf.train.write_graph(sess.graph_def,'.','graph.pb')
  # Save checkpoint
  saver.save(sess=sess, save_path="test_model")

2. Стоп-кадр

python -m tensorflow.python.tools.freeze_graph --input_graph graph.pb --input_checkpoint test_model --output_graph graph_frozen.pb --output_node_names=y

3. Оптимизация для вывода

python -m tensorflow.python.tools.optimize_for_inference --input graph_frozen.pb --output graph_optimized.pb --input_names=x --output_names=y

4. Использование оптимизированного графика

with tf.gfile.GFile('graph_optimized.pb', 'rb') as f:
   graph_def_optimized = tf.GraphDef()
   graph_def_optimized.ParseFromString(f.read())

G = tf.Graph()

with tf.Session(graph=G) as sess:
    y, = tf.import_graph_def(graph_def_optimized, return_elements=['y:0'])
    print('Operations in Optimized Graph:')
    print([op.name for op in G.get_operations()])
    x = G.get_tensor_by_name('import/x:0')
    out = sess.run(y, feed_dict={x: 1.0})
    print(out)

#Output
#Operations in Optimized Graph:
#['import/x', 'import/a', 'import/y']
#6.0

5. Для нескольких выходных имен

Если есть несколько выходных узлов, укажите: output_node_names = 'boxes, scores, classes' и import graph by,

 boxes,scores,classes, = tf.import_graph_def(graph_def_optimized, return_elements=['boxes:0', 'scores:0', 'classes:0'])

Ответ 2

Вы делаете это неправильно: input является графическим файлом для скрипта, а не частью данных контрольной точки. Вам нужно заморозить модель файлу .pb/или получить прототип для графика и использовать оптимизацию для сценария вывода.

This script takes either a frozen binary GraphDef file (where the weight variables have been converted into constants by the freeze_graph script), or a text GraphDef proto file (the weight variables are stored in a separate checkpoint file), and outputs a new GraphDef with the optimizations applied.

Получить файл proto с использованием write_graph
получить замороженный график заморозки модели

Ответ 3

XXXXxxxxxxxXxxxxxxxxxxxxxxxxxxxxxxxXvagg00