tensorflow打印模型图-尊龙游戏旗舰厅官网

使用tensorrt加速tensorflow模型的推理应该是很有市场的一种应用了，但是使用python的、易懂的例子并不多，官方的文档在这方面也是很不友好。

所以，本文旨在提供一个能把原理讲明白，代码能跑的起来的实例，本例中用到模型是inception v3

准备工作

生成.pb的模型文件

首先我们需要从保存模型的chekpoint文件中，生成.pb的模型文件。这一步叫做模型的持久化，具体的做法可以参考之前写的这篇文章：

春天不是读书天：[深度学习] tensorflow中模型的freeze_graph

2. 导入必要的库

import tensorflow as tf import uff import tensorrt as trt import pycuda.driver as cuda import pycuda.autoinit from tensorrt.parsers import uffparser

• uff：是将刚才的pb转化为tensorrt引擎支持的uff文件，该文件可以序列化，也可以直接当作流传过去。
• pycyda：用于显卡cuda编程的，如果要使用tensorrt的python api，这是一个必须的库
• uffparser ：用于解析uff模型

3. 参数设置

model_dir = './model_seg/model.pb' channel = 3 height = 299 width = 299 engine_path = './model_seg/model_.pb.plan' input_node = 'input' output_node = ['inceptionv3/logits/spatialsqueeze'] input_size = [channel, height ,width] max_batch_size = 1 max_workspace = 1<<30

• model_dir：第一步中生成的pb模型地址
• channel、height、width：图片的通道、高和宽，根据模型的输入大小确定
• engine_path：等会保存tensorrt引擎的地址
• input_node：模型的输入节点
• output_node：模型的输出节点，是一个列表，如果有许多个输出节点，就将节点名都列入这个列表中
• input_size：输入图片的大小，注意通道在前还是后，这里输入的是 channel, height ,width
• max_batch_size：在推理的时候，每次输入几张图片
• max_workspace：显存的大小1<<30也就是1gb的大小。有的时候，程序运行是会报内存溢出的错，这个时候就可以调小max_workspace，比如2 << 10

将tensorflow模型转换成tensorrt

pb转uff 并解析模型

g_logger = trt.infer.consolelogger(trt.infer.logseverity.info) uff_model = uff.from_tensorflow_frozen_model(frozen_gdef_path, output_node) parser = uffparser.create_uff_parser() parser.register_input(input_node, input_size, 0) parser.register_output(output_node)

这里做的事情是将pb的文件格式转成了uff文件格式。你需要知道的一个概念是，uff(universal framework format)是一种描述dnn执行图的数据格式。绑定执行图的是输入与输出，所以parser.register_input和parser.register_output做的事情是将tensorflow模型的输入输出在uff文件中记录。

注意，对于多个输出，因为output_node是一个列表，所以将多个输出节点依次放入列表就可以了。

如果是多个输入的话，则需要将输入节点名一个个的记录在uff中。register_input()需要3个参数：

• name – input name.
• shape – input shape.
• order – input order on which the framework input was originally.

假设你的模型在输入层同时输入了三张图片，那么你需要定义3个输入节点，并且指定order分别为0、1、2。这里的order指的是模型的输入在uff结构中的顺序，这种order在接下来的binding会得到体现。

parser.register_input(input_node1, input_size, 0) parser.register_input(input_node2, input_size, 1) parser.register_input(input_node3, input_size, 2)

2. 保存模型

engine = trt.utils.uff_to_trt_engine(g_logger,uff_model,parser,max_batch_size,max_workspace,datatype=trt.infer.datatype.float)

以上代码创建了tensorrt中的engine，即引擎，这个engine将负责模型的前向运算。tensorrt是一个用于推理的加速工具，所以前向计算就够了。

在engine创建成功之后，就可以使用了。不过，一个建议是将结果保存下来。毕竟到目前为止，虽然代码很少，但是将pb文件成功转换成uff文件是不容易的（谁用谁知道！）

使用以下语句，我们就保存了一个.plan文件。plan文件是运行引擎用于执行网络的序列化数据。包含权重，网络中执行步骤以及用来决定如何绑定输入与输出缓存的网络信息。

trt.utils.cwrite_engine_to_file('./model_.pb.plan',engine.serialize())

使用tensorrt实现推理

现在，让我们调用之前保存的plan文件，启用引擎，开始使用tensorrt实现推理。

engine = trt.utils.load_engine(g_logger, './model_.pb.plan')

引擎叫做engine，而引擎运行的上下文叫做context。engine和context在推理过程中都是必须的，这两者的关系如下：

context = engine.create_execution_context() engine = context.get_engine()

在运行前向运算前，我们还需要做一次确认。get_nb_bindings()是为了获取与这个engine相关的输入输出tensor的数量。对于本例中单输入输出的模型，tensor的数量是2。如果有多个输入输出，这个确认值就要相应的变化，比如3个输入，1个输出的模型，tensor的数量就是4。我们需要知道这个数量，是为了之后的显存分配做准备。

print(engine.get_nb_bindings()) assert(engine.get_nb_bindings() == 2)

现在准备好一张可以输入给模型的图像 img.jpg，并且转换成fp32

img = cv2.imread(img.jpg) img = img.astype(np.float32)

同时，创建一个array来“接住”输出数据。为什么说“接住”呢，因为之后你就会看到，引擎做前向推理计算的时候，是生成了一个数据流，这个数据流会写入output array中

#create output array to receive data output_size = 10 output = np.zeros(output_size , dtype = np.float32)

我们需要为输入输出分配显存，并且绑定。

# 使用pycuda申请gpu显存并在引擎中注册 # 申请的大小是整个batchsize大小的输入以及期望的输出指针大小。 d_input = cuda.mem_alloc(1 * img.size * img.dtype.itemsize) d_output = cuda.mem_alloc(1 * output.size * output.dtype.itemsize)# 引擎需要绑定gpu显存的指针。pycuda通过分配成ints实现内存申请。 bindings = [int(d_input), int(d_output)]

现在，我们可以开始tensorrt上的推理计算了！

# 建立数据流 stream = cuda.stream() # 将输入传给cuda cuda.memcpy_htod_async(d_input, img, stream) # 执行前向推理计算 context.enqueue(1, bindings, stream.handle, none) # 将预测结果传回 cuda.memcpy_dtoh_async(output, d_output, stream) # 同步 stream.synchronize()

这个时候，如果你将output打印出来，就会发现output数组中已经有值了，这就是tensorrt计算的结果。

如过你使用tensorflow的方法，对同一组输入数据做预测，看看计算的结果是否一致 ，因为精度的差异会有一些差异，但是大体上来说，使用tensorflow和tensorrt，会得到一致的结果。

特别注意！

tensorrt和tensorflow的数据格式不一样，tensorflow是nhwc格式，即channel_last，而tensorrt中是nchw格式，即channel_first，比如一张rgb图像，在tensorflow中表示为（224， 224， 3），在tensorrt中就是（3，224， 224）。所以使用tensorrt时，请一定确认图像的格式。

参考资料：

tensorrt加速tensorflow模型推理（inception v3为例）

https://blog.csdn.net/abrams90/article/details/80410308

总结

以上是尊龙游戏旗舰厅官网为你收集整理的tensorflow打印模型图_[深度学习]tensorrt加速tensorflow实例的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得尊龙游戏旗舰厅官网网站内容还不错，欢迎将尊龙游戏旗舰厅官网推荐给好友。