溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下Keras模型轉(zhuǎn)TensorFlow的案例，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
環(huán)境：python 3.6 +opencv3+Keras
訓練集：MNIST
下面劃重點：因為MNIST使用的是黑底白字的圖片，所以你自己手寫數(shù)字的時候一定要注意把得到的圖片也改成黑底白字的，否則會識別錯（至少我得到的結論是這樣的 ，之前用白底黑字的圖總是識別出錯）
注意：需要測試圖片需要為與訓練模時相同大小的圖片，RGB圖像需轉(zhuǎn)為gray
代碼：
import cv2
import numpy as np
from keras.models import load_model
model = load_model('fm_cnn_BN.h6') #選取自己的.h模型名稱
image = cv2.imread('6_b.png')
img = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY) # RGB圖像轉(zhuǎn)為gray
#需要用reshape定義出例子的個數(shù)，圖片的 通道數(shù)，圖片的長與寬。具體的參加keras文檔
img = (img.reshape(1, 1, 28, 28)).astype('int32')/255
predict = model.predict_classes(img)
print ('識別為：')
print (predict)
cv2.imshow("Image1", image)
cv2.waitKey(0)補充知識：keras轉(zhuǎn)tf并加速（1）Keras轉(zhuǎn)TensorFlow，并調(diào)用轉(zhuǎn)換后模型進行預測
由于方便快捷，所以先使用Keras來搭建網(wǎng)絡并進行訓練，得到比較好的模型后，這時候就該考慮做成服務使用的問題了，TensorFlow的serving就很合適，所以需要把Keras保存的模型轉(zhuǎn)為TensorFlow格式來使用。
Keras模型轉(zhuǎn)TensorFlow
其實由于TensorFlow本身以及把Keras作為其高層簡化API，且也是建議由淺入深地來研究應用，TensorFlow本身就對Keras的模型格式轉(zhuǎn)化有支持，所以核心的代碼很少。這里給出一份代碼：https://github.com/amir-abdi/keras_to_tensorflow，作者提供了一份很好的工具，能夠滿足絕大多數(shù)人的需求了。原理很簡單：原理很簡單，首先用 Keras 讀取 .h6 模型文件，然后用 tensorflow 的 convert_variables_to_constants 函數(shù)將所有變量轉(zhuǎn)換成常量，最后再 write_graph 就是一個包含了網(wǎng)絡以及參數(shù)值的 .pb 文件了。
如果你的Keras模型是一個包含了網(wǎng)絡結構和權重的h6文件，那么使用下面的命令就可以了：
python keras_to_tensorflow.py --input_model="path/to/keras/model.h6" --output_model="path/to/save/model.pb"
兩個參數(shù)，一個輸入路徑，一個輸出路徑。輸出路徑即使你沒創(chuàng)建好，代碼也會幫你創(chuàng)建。建議使用絕對地址。此外作者還做了很多選項，比如如果你的keras模型文件分為網(wǎng)絡結構和權重兩個文件也可以支持，或者你想給轉(zhuǎn)化后的網(wǎng)絡節(jié)點編號，或者想在TensorFlow下繼續(xù)訓練等等，這份代碼都是支持的，只是使用上需要輸入不同的參數(shù)來設置。
如果轉(zhuǎn)換成功則輸出如下：
begin==================================================== I1229 14:29:44.819010 140709034264384 keras_to_tf.py:119] Input nodes names are: [u'input_1'] I1229 14:29:44.819385 140709034264384 keras_to_tf.py:137] Converted output node names are: [u'dense_2/Sigmoid'] INFO:tensorflow:Froze 322 variables. I1229 14:29:47.091161 140709034264384 tf_logging.py:82] Froze 322 variables. Converted 322 variables to const ops. I1229 14:29:48.504235 140709034264384 keras_to_tf.py:170] Saved the freezed graph at /path/to/save/model.pb
這里首先把輸入的層和輸出的層名字給出來了，也就是“input_1”和“dense_2/Sigmoid”，這兩個下面會用到。另外還告訴你凍結了多少個變量，以及你輸出的模型路徑，pb文件就是TensorFlow下的模型文件。
使用TensorFlow模型
轉(zhuǎn)換后我們當然要使用一下看是否轉(zhuǎn)換成功，其實也就是TensorFlow的常見代碼，如果只用過Keras的，可以參考一下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
from tensorflow.python.platform import gfile
import cv2
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "6"
# img = cv2.imread(os.path.expanduser('/test_imgs/img_1.png'))
# img = cv2.resize(img, dsize=(1000, 1000), interpolation=cv2.INTER_LINEAR)
# img = img.astype(float)
# img /= 255
# img = np.array([img])
# 初始化TensorFlow的session
with tf.Session() as sess:
# 讀取得到的pb文件加載模型
with gfile.FastGFile("/path/to/save/model.pb",'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
# 把圖加到session中
tf.import_graph_def(graph_def, name='')
# 獲取當前計算圖
graph = tf.get_default_graph()
# 從圖中獲輸出那一層
pred = graph.get_tensor_by_name("dense_2/Sigmoid:0")
# 運行并預測輸入的img
res = sess.run(pred, feed_dict={"input_1:0": img})
# 執(zhí)行得到結果
pred_index = res[0][0]
print('Predict:', pred_index)在代碼中可以看到，我們用到了上面得到的輸入層和輸出層的名稱，但是在后面加了一個“:0”，也就是索引，因為名稱只是指定了一個層，大部分層的輸出都是一個tensor，但依然有輸出多個tensor的層，所以需要制定是第幾個輸出，對于一個輸出的情況，那就是索引0了。輸入同理。
如果你輸出res，會得到這樣的結果：
('Predict:', array([[0.9998584]], dtype=float32))
這也就是為什么我們要取res[0][0]了，這個輸出其實取決于具體的需求，因為這里我是對一張圖做二分類預測，所以會得到這樣一個結果
運行的結果如果和使用Keras模型時一樣，那就說明轉(zhuǎn)換成功了！
看完了這篇文章，相信你對Keras模型轉(zhuǎn)TensorFlow的案例有了一定的了解，想了解更多相關知識，歡迎關注億速云行業(yè)資訊頻道，感謝各位的閱讀！
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權內(nèi)容。
