前言
TensorFlow是Google開源的一款人工智能學習系統。為什么叫這個名字呢？Tensor的意思是張量，代表N維數組；Flow的意思是流，代表基于數據流圖的計算。把N維數字從流圖的一端流動到另一端的過程，就是人工智能神經網絡進行分析和處理的過程。
訓練了很久的Tf模型，終于要到生產環境中去考研一番了。今天花費了一些時間去研究tf的模型如何在生產環境中去使用。大概整理了這些方法。
繼續使用分步驟保存了的ckpt文件
這個貌似脫離不了tensorflow框架，而且生成的ckpt文件比較大，發布到生產環境的時候，還得把python的算法文件一起搞上去，如何和其他程序交互，可能還得自己去寫服務。估計很少有人這么做，貌似性能也很一般。
使用tensorflow Serving
tf Serving貌似是大家都比較推崇的方法。需要編譯tfServing，然后把模型導出來。直接執行tf Serving的進程，就可以對外提供服務了。具體調用的時候，還得自己寫客戶端，使用人gRPC去調用Serving，然后再對外提供服務，聽上去比較麻煩。而且我今天沒太多的時間去研究gRPC，網絡上關于客戶端很多都是用python寫的，我感覺自己的python水平比較菜，沒信心能寫好。所以這個方式就先沒研究。
生產.pb文件，然后寫程序去調用.pb文件
生成了.pb文件以后，就可以被程序去直接調用，傳入參數，然后就可以傳出來參數，而且生成的.pb文件非常的小。而我又有比較豐富的.net開發經驗。在想，是否可以用C#來解析.pb文件，然后做一個.net core的對外服務的API，這樣貌似更加高效，關鍵是自己熟悉這款的開發，不用花費太多的時間去摸索。、
具體的思路
使用.net下面的TensorFlow框架tensorflowSharp（貌似還是沒脫離了框架）.去調用pb文件，然后做成.net core web API 對外提供服務。
具體的實現
直接上代碼，非常簡單，本身設計到tensorflowsharp的地方非常的少
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
var graph = new TFGraph();//重點是下面的這句，把訓練好的pb文件給讀出來字節，然后導入var model = File.ReadAllBytes(model_file);graph.Import(model);Console.WriteLine("請輸入一個圖片的地址");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這個類庫是tensorflowSharp官方的例子中一個把圖片轉成tensor的類庫，我直接copy過來了，根據我的網絡，修改了幾個參數。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
|
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 imageusing (var graph = ConstructGraphToNormalizeImage(out input, out output, destinationDataType)){// Execute that graph to normalize this one imageusing (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 imageusing (var graph = ConstructGraphToNormalizeImage(out input, out output, destinationDataType)){// Execute that graph to normalize this one imageusing (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
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對服務器之家的支持。
原文鏈接：http://www.cnblogs.com/bbird/p/9953749.html
