时间戳

首页 > 解决方案 > 训练后用占位符交换 TensorFlow 数据集输入管道

python - 训练后用占位符交换 TensorFlow 数据集输入管道

问题描述

我正在使用新的tf.data.DatasetAPI，但我似乎无法弄清楚如何执行推理。最终，我想将我的模型转换为 TensorRT 图并在 TX2 上运行它，我找到的所有示例都假设你有一个tf.placeholder输入。这是我如何训练的伪代码。[...] 只是一个占位符，因为我实际上并没有运行代码。让我们不要争论模型，因为它只是假设给出一个例子：

import tensorflow as tf

# Setup iterator
datain = tf.data.FixedLengthRecordDataset(datafiles, record_bytes1)
labels = tf.data.FixedLengthRecordDataset(labelfiles, record_bytes2)
dataset = tf.data.Dataset.zip((datain, labels))
dataset = dataset.prefetch(batch_size)
dataset = dataset.repeat(n_epoch)
iterator = dataset.make_initializable_iterator()

sess = tf.Session()
sess.run(iterator.initializer)
[batch_x, batch_y] = iterator.get_next()

# Define model function (let's not debate model except as relevant to question)
def model_fn(xin):
    x0 = tf.transpose(tf.reshape(xin, [...], name='input'))
    w = tf.Variable(tf.truncated_normal([...], stddev=0.1))
    x1 = tf.nn.conv2d(x0, w, strides=[...], padding='VALID')
    b = tf.Variable(tf.constant(0.0, shape=[...]))
    x2 = tf.nn.bias_add(x1, b)
    x3 = tf.nn.relu(x2, name='output')
    return x3

# Setup training environment
model = model_fn(batch_x)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=model, labels=batch_y))
optimizer = tf.train.AdamOptimizer(learning_rate=1e-3).minimize(loss)

# Train Model
while True:
    try:
        sess.run(optimizer)
    except tf.errors.OutOfRangeError:
        break

# Save model
saver = tf.train.Saver(name='saver')
saver.save(sess, 'temp/path')

我的问题是如何在没有输入的情况下将其输入 TensorRT tf.placeholder？我能找到的所有示例都使用 atf.placeholder作为输入。此示例表明我可以使用SavedModel该类将迭代器替换为占位符，但我似乎找不到任何有关如何完成此操作的文档。

谢谢！

编辑：感谢以下帮助，这是我的解决方案

from tensorflow.python.tools import optimize_for_inference_lib
import uff

# You can feed data to the IteratorGetNext node using feed_dict
input_node_name = 'iterator_scope_name/IteratorGetNext'
output_node_name = 'model_scope_name/output'

# Run inference on the trained model:
graph = tf.get_default_graph()
batch_x = graph.get_tensor_by_name(input_node_name + ':0')
networkout = graph.get_tensor_by_name(output_node_name + ':0')
testdata, testlabel = custom_data_reader_fn(data_folder)
# This will evaluate the model
label = sess.run(networkout, feed_dict={batch_x: testdata})

# Freeze model and create a UFF file:
graph_def = graph.as_graph_def() # Convert the graph to a serialized pb
frozen_graph_def = tf.graph_util.convert_variables_to_constants(sess,
    graph_def, [output_node_name])
opt_graph_def = optimize_for_inference_lib.optimize_for_inference(
    frozen_graph_def, [input_node_name], [output_node_name],
    tf.float32.as_datatype_enum)
uff.from_tensorflow(opt_graph_def, [output_node_name], quiet=False,
    output_filename='opt_model.uff')

这将写出 TensorRT 可以使用的 UFF 文件。我遇到的最大问题是：

  1. 我没有意识到该optimize_for_inference_lib.optimize_for_inference操作替换iterator为tf.placeholder
  2. 我不知道将数据提供给哪个节点进行评估：您可以将数据提供给IteratorGetNext节点

标签： pythontensorflowtensorrt

解决方案

由于您已经在检查点中保存了经过训练的图，理论上最简单的解决方案是通过optimize_for_inference.

该工具既适用于已冻结的图形，也适用于您的情况，适用于仍定义变量的图形。假设您采用冻结图形方式，第一步是通过以下方式将图形的变量转换为常量：

python freeze_graph.py \
--input_graph=temp/path/graph.pbtxt \
--input_checkpoint=temp/path/your_model_name.ckpt \
--output_graph=frozen_model.pb \
--output_node_names=name_of_the_output_tensor_you_want_to_use

这将生成一个名为的新二进制文件frozen_model.pb，该文件将Variable操作替换为Const从检查点文件加载的值的 ops。

然后，您需要生成推理图：

python optimize_for_inference.py \
--input=frozen_model.pb \
--output=inference.pb \
--frozen_graph=True \
--input_names=IteratorGetNext
--output_names=name_of_the_output_tensor_you_want_to_use

这将用IteratorGetNext浮点占位符替换节点。您可能想要选择另一个节点，在这种情况下只需更改名称。您还可以通过--placeholder_type_enum选项更改生成的占位符的类型。在这种情况下，您需要提供一个与DataTypeenum所需的数据类型匹配的整数值。

注意：我说“理论上”是因为实际上从我所做的测试中检查生成的初始图似乎仍然有一些奇怪的操作，这些操作对于推理来说并不是真正必要的。您可能需要通过 nvidia 的Graph Surgeon或 TF 的图形转换工具进一步处理您的图形

推荐阅读