Я обучил DNN, используя тензор потока, и хочу разместить его в firebase.Обученная модель сохраняется в виде файла .meta , и я попытался преобразовать модель в tflite , используя следующий код, но у меня есть некоторые ошибки.Итак, как мне преобразовать эту модель в Tensorflow Lite?
Ошибка :
Файл "", строка 1, в runfile ('D: / Мои проекты/FinalProject_Vr_02/cnn.py ', wdir =' D: / Мои проекты / FinalProject_Vr_02 ')
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py", строка 704, в исполняемом файле исполняемого файла (имя файла, пространство имен)
Файл" C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ spyder_kernels \ customize \ spydercustomize.py ", строка 108, в файле execfileexec (compile (f.read (), filename, 'exec'), пространство имен)
Файл "D: / My Projects / FinalProject_Vr_02 / cnn.py", строка 124, в converter = tf.contrib.lite.TFLiteConverter.from_saved_model (MODEL_NAME)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ensorflow \ contrib \ lite \ python \ lite.py", строка 340, из from_saved_model output_arrays, tag_set, signature_key)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ensorflow \ contrib \ lite \ python \ convert_saved_model.py", строка 239,в freeze_saved_model meta_graph = get_meta_graph_def (сохраненный_модель_dir, tag_set)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tenorsflow \ contrib \ lite \ python \ convert_saved_model.py", строка 61, вget_meta_graph_def возвращает loader.load (sess, tag_set, сохраненный_модель_дир)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ensorflow \ python \ save_model \ loader_impl.py", строка 196, вload loader = SavedModelLoader (export_dir)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ensorflow \ python \ save_model \ loader_impl.py", строка 212, в init self._saved_model = _parse_saved_model (export_dir)
Файл "C: \ Users \ Asus \ Anaconda3 \ lib \ site-packages \ tenorflow \ python \ save_model \ loader_impl.py", строка 82, в константах _parse_saved_model.SAVED_MODEL_FILENAME_PB))
Ошибка OSE: файл SavedModel не существует по адресу: snakes-0.001-2conv-basic.model / {save_model.pbtxt | save_model.pb}
import cv2
import numpy as np
import os
from random import shuffle
from tqdm import tqdm
TRAIN_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\train'
TEST_DIR = 'D:\\My Projects\\Dataset\\dataset5_for_testing\\test'
IMG_SIZE = 50
LR = 1e-3
MODEL_NAME = 'snakes-{}-{}.model'.format(LR, '2conv-basic')
def label_img(img):
print("\nimg inside label_img",img)
print("\n",img.split('.')[-2])
temp_name= img.split('.')[-2]
print("\n",temp_name[:1])
temp_name=temp_name[:1]
word_label = temp_name
if word_label == 'A': return [0,0,0,0,1] #A_c
elif word_label == 'B': return [0,0,0,1,0] #B_h
elif word_label == 'C': return [0,0,1,0,0] #C_i
elif word_label == 'D': return [0,1,0,0,0] #D_r
elif word_label == 'E' : return [1,0,0,0,0] #E_s
def create_train_data():
training_data = []
for img in tqdm(os.listdir(TRAIN_DIR)):
label = label_img(img)
path = os.path.join(TRAIN_DIR,img)
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
training_data.append([np.array(img),np.array(label)])
shuffle(training_data)
np.save('train_data.npy', training_data)
return training_data
def process_test_data():
testing_data = []
for img in tqdm(os.listdir(TEST_DIR)):
path = os.path.join(TEST_DIR,img)
img_num = img.split('.')[0]
img = cv2.imread(path,cv2.IMREAD_GRAYSCALE)
img = cv2.resize(img, (IMG_SIZE,IMG_SIZE))
testing_data.append([np.array(img), img_num])
shuffle(testing_data)
np.save('test_data.npy', testing_data)
return testing_data
train_data = create_train_data()
import tflearn
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.estimator import regression
'''
from tflearn.data_preprocessing import ImagePreprocessing
from tflearn.data_augmentation import ImageAugmentation
# normalisation of images
img_prep = ImagePreprocessing()
img_prep.add_featurewise_zero_center()
img_prep.add_featurewise_stdnorm()
# Create extra synthetic training data by flipping & rotating images
img_aug = ImageAugmentation()
img_aug.add_random_flip_leftright()
img_aug.add_random_rotation(max_angle=25.)
'''
import tensorflow as tf
tf.reset_default_graph()
#convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input',data_preprocessing=img_prep, data_augmentation=img_aug)
convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 1], name='input')
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)
convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)
convnet = fully_connected(convnet, 5, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')
model = tflearn.DNN(convnet, tensorboard_dir='log')
if os.path.exists('{}.meta'.format(MODEL_NAME)):
model.load(MODEL_NAME)
print('model loaded!')
#train = train_data[:-500]
#test = train_data[-500:]
train = train_data[:-200]
test = train_data[-200:]
X = np.array([i[0] for i in train]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
Y = [i[1] for i in train]
test_x = np.array([i[0] for i in test]).reshape(-1,IMG_SIZE,IMG_SIZE,1)
test_y = [i[1] for i in test]
model.fit({'input': X}, {'targets': Y}, n_epoch=3, validation_set=({'input': test_x}, {'targets': test_y}),
snapshot_step=500, show_metric=True, run_id=MODEL_NAME)
model.save(MODEL_NAME)
converter = tf.contrib.lite.TFLiteConverter.from_saved_model(MODEL_NAME)
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)