tf训练最后一次迭代出错（tf外部测试流程） - 原点资讯

本教程介绍如何使用 tf.keras 时序 API 从头开始训练模型，将 tf.Keras 模型转换为 tflite 格式，并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类，并分享一些你可能会面临的常见问题。本教程着重于端到端的体验，我不会深入探讨各种 tf.Keras API 或 Android 开发。

下载我的示例代码并执行以下操作：

在 colab 中运行：使用 tf.keras 的训练模型，并将 keras 模型转换为 tflite（链接到 Colab notebook）。
在 Android Studio 中运行：DigitRecognizer（链接到Android应用程序）。

tf训练最后一次迭代出错,tf外部测试流程(1)

1.训练自定义分类器

加载数据

我们将使用作为tf.keras框架一部分的mnst数据。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data

预处理数据

接下来，我们将输入图像从 28x28 变为 28x28x1 的形状，将其标准化，并对标签进行 one-hot 编码。

定义模型体系结构

然后我们将用 cnn 定义网络架构。

def create_model:

# Define the model architecture
model = keras.models.Sequential([
# Must define the input shape in the first layer of the neural network
keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(28,28,1)),
keras.layers.MaxPooling2D(pool_size=2),
keras.layers.Dropout(0.3),

keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'),
keras.layers.MaxPooling2D(pool_size=2),
keras.layers.Dropout(0.3),

keras.layers.Flatten(),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')
])

# Compile the model
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adam,
metrics=['accuracy'])

return model

训练模型

然后我们使用 model.fit来训练模型。

model.fit(x_train,
y_train,
batch_size=64,
epochs=3,
validation_data=(x_test, y_test))

2.模型保存和转换

训练结束后，我们将保存一个 Keras 模型并将其转换为 TFLite 格式。

保存一个 Keras 模型

下面是保存 Keras 模型的方法-

# Save tf.keras model in HDF5 format
keras_model = "mnist_keras_model.h5"
keras.models.save_model(model, keras_model)

将keras模型转换为tflite

当使用 TFLite 转换器将 Keras 模型转换为 TFLite 格式时，有两个选择- 1）从命令行转换，或 2）直接在 python 代码中转换，这个更加推荐。

1）通过命令行转换

$ tflite_convert \
$ --output_file=mymodel.tflite \
$ --keras_model_file=mymodel.h5

2）通过 python 代码转换

如果你可以访问模型训练代码，则这是转换的首选方法。

# Convert the model
flite_model = converter.convert

# Create the tflite model file
tflite_model_name = "mymodel.tflite"
open(tflite_model_name, "wb").write(tflite_model)

你可以将转换器的训练后量化设置为 true。

# Set quantize to true
converter.post_training_quantize=True

验证转换的模型

将 Keras 模型转换为 TFLite 格式后，验证它是否能够与原始 Keras 模型一样正常运行是很重要的。请参阅下面关于如何使用 TFLite 模型运行推断的 python 代码片段。示例输入是随机输入数据，你需要根据自己的数据更新它。

# Load TFLite model and allocate tensors. interpreter = tf.contrib.lite.Interpreter(model_path="converted_model.tflite")
interpreter.allocate_tensors

# Get input and output tensors
input_details = interpreter.get_input_details output_details = interpreter.get_output_details

# Test model on random input data
input_shape = input_details[0]['shape']
input_data = np.array(np.random.random_sample(input_shape),
dtype=np.float32) interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)

ps：确保在转换后和将 TFLite 模型放到 Android 上面之前始终测试它。否则，当它在你的 Android 应用程序上不能工作时，你无法分清是你的 android 代码有问题还是 ML 模型有问题。

3.在 Android 上实现 tflite 模型

现在我们准备在 Android 上实现 TFLite 模型。创建一个新的 Android 项目并遵循以下步骤

将 mnist.tflite 模型放在 assets 文件夹下
更新 build.gradle 以包含 tflite 依赖项
为用户创建自定义视图
创建一个进行数字分类的分类器
从自定义视图输入图像
图像预处理
用模型对图像进行分类
后处理
在用户界面中显示结果

Classifier 类是大多数 ML 魔术发生的地方。确保在类中设置的维度与模型预期的维度匹配：

28x28x1 的图像
10 位数字的 10 个类：0、1、2、3…9

要对图像进行分类，请执行以下步骤：

预处理输入图像。将位图转换为 bytebuffer 并将像素转换为灰度，因为 MNIST 数据集是灰度的。
使用由内存映射到 assets 文件夹下的模型文件创建的解释器运行推断。
后处理输出结果以在 UI 中显示。我们得到的结果有 10 种可能，我们将选择在 UI 中显示概率最高的数字。

tf训练最后一次迭代出错,tf外部测试流程(2)

过程中的挑战

以下是你可能遇到的挑战：

在 tflite 转换期间，如果出现「tflite 不支持某个操作」的错误，则应请求 tensorflow 团队添加该操作或自己创建自定义运算符。
有时，转换似乎是成功的，但转换后的模型却不起作用：例如，转换后的分类器可能在正负测试中以~0.5 的精度随机分类。（我在 tf 1.10 中遇到了这个错误，后来在 tf1.12 中修复了它）。

如果 Android 应用程序崩溃，请查看 logcat 中的 stacktrace 错误：