前言
TensorFlow是Google開源的一款人工智能學(xué)習(xí)系統(tǒng)。為什么叫這個名字呢？Tensor的意思是張量，代表N維數(shù)組；Flow的意思是流，代表基于數(shù)據(jù)流圖的計(jì)算。把N維數(shù)字從流圖的一端流動到另一端的過程，就是人工智能神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和處理的過程。
訓(xùn)練了很久的Tf模型，終于要到生產(chǎn)環(huán)境中去考研一番了。今天花費(fèi)了一些時間去研究tf的模型如何在生產(chǎn)環(huán)境中去使用。大概整理了這些方法。
繼續(xù)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(fā)布到生產(chǎn)環(huán)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(wù)。估計(jì)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(dǎo)出來。直接執(zhí)行tf Serving的進(jìn)程，就可以對外提供服務(wù)了。具體調(diào)用的時候，還得自己寫客戶端，使用人gRPC去調(diào)用Serving，然后再對外提供服務(wù)，聽上去比較麻煩。而且我今天沒太多的時間去研究gRPC，網(wǎng)絡(luò)上關(guān)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(chǎn).pb文件，然后寫程序去調(diào)用.pb文件
生成了.pb文件以后，就可以被程序去直接調(diào)用，傳入?yún)?shù)，然后就可以傳出來參數(shù)，而且生成的.pb文件非常的小。而我又有比較豐富的.net開發(fā)經(jīng)驗(yàn)。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(wù)的API，這樣貌似更加高效，關(guān)鍵是自己熟悉這款的開發(fā)，不用花費(fèi)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(diào)用pb文件，然后做成.net core web API 對外提供服務(wù)。
具體的實(shí)現(xiàn)
直接上代碼，非常簡單，本身設(shè)計(jì)到tensorflowsharp的地方非常的少
var graph = new TFGraph();//重點(diǎn)是下面的這句，把訓(xùn)練好的pb文件給讀出來字節(jié)，然后導(dǎo)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(zhuǎn)成tensor的類庫，我直接copy過來了，根據(jù)我的網(wǎng)絡(luò)，修改了幾個參數(shù)。
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(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網(wǎng)的支持。
新聞熱點(diǎn)
疑難解答
圖片精選
