Существуют ли какие-либо инструменты / библиотеки, которые могут преобразовать модель tenstflow lstm в формат .mlmodel для запуска в приложении iOS - PullRequest
Новая
       20

Существуют ли какие-либо инструменты / библиотеки, которые могут преобразовать модель tenstflow lstm в формат .mlmodel для запуска в приложении iOS

0 голосов
/ 23 мая 2019

У меня есть простая модель тензорного потока, которая состоит из слоев lstm - таких как tf.contrib.rnn.LSTMBlockCell или tf.keras.layers.LSTM (я могу предоставить пример код также, если это необходимо). Я хочу запустить модель в приложении для iOS. Тем не менее, я посмотрел несколько веб-сайтов, которые говорят, что в настоящее время нет способа конвертировать и запускать модель тензорного потока, состоящую из слоев LSTM, в приложениях для iOS .

Я пробовал эти инструменты / библиотеки для преобразования модели тензорного потока в формат .mlmodel (или .tflite)
1. Swift для Tensorflow
2. Tensorflow Lite для iOS
3. tfcoreml

Однако эти инструменты, похоже, не способны конвертировать модель слоев lstm в формат .mlmodel. Эти инструменты, однако, позволяют использовать пользовательские слои для добавления. Но я не знаю, как я могу добавить пользовательский слой LSTM.

Я ошибаюсь, говоря, что в приложениях для iOS нет поддержки для запуска модели tenstflow lstm? Если да, то, пожалуйста, расскажите мне, как мне включить модель в приложение для iOS. Существует ли какой-либо другой инструмент / библиотека, который можно использовать для преобразования его в формат .mlmodel. Если нет, то планируете ли вы в будущем включить поддержку тензорного потока для iOS?

Модель 

import tensorflow as tf
from tensorflow.contrib import rnn
from tensorflow.contrib.rnn import *

# Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)


#Summary parameters
logs_path = "logs/"

# Training Parameters
learning_rate = 0.001
training_steps = 1000
batch_size = 128
display_step = 200

# Network Parameters
num_input = 28 # MNIST data input (img shape: 28*28)
timesteps = 28 # timesteps
num_hidden = 128 # hidden layer num of features
num_classes = 10 # MNIST total classes (0-9 digits)

# tf Graph input
X = tf.placeholder("float", [None, timesteps, num_input])
Y = tf.placeholder("float", [None, num_classes])

# Define weights
weights = {
    'out': tf.Variable(tf.random_normal([num_hidden, num_classes]))
}
biases = {
    'out': tf.Variable(tf.random_normal([num_classes]))
}


def RNN(x, weights, biases):
    # Unstack to get a list of 'timesteps' tensors of shape (batch_size, n_input)
    x = tf.unstack(x, timesteps, 1)

    # Define a lstm cell with tensorflow
    lstm_cell = rnn.LSTMBlockCell(num_hidden, forget_bias = 1.0)
    #lstm_cell = tf.keras.layers.LSTMCell(num_hidden, unit_forget_bias=True)

    # Get lstm cell output
    outputs, states = rnn.static_rnn(lstm_cell, x, dtype=tf.float32)

    # Linear activation, using rnn inner loop last output
    return tf.matmul(outputs[-1], weights['out']) + biases['out']

logits = RNN(X, weights, biases)
with tf.name_scope('Model'):
    prediction = tf.nn.softmax(logits, name = "prediction_layer")

with tf.name_scope('Loss'):
    # Define loss and optimizer
    loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name = "loss_layer"), name = "reduce_mean_loss")

with tf.name_scope('SGD'):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate, name = "Gradient_Descent")
    train_op = optimizer.minimize(loss_op, name = "minimize_layer")


with tf.name_scope('Accuracy'):
    # Evaluate model (with test logits, for dropout to be disabled)
    correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1), name = "correct_pred_layer")
    accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32), name = "reduce_mean_acc_layer")

# Initialize the variables (i.e. assign their default value)
init = tf.global_variables_initializer()

#Create a summary to monitor cost tensor
tf.summary.scalar("loss", loss_op)
#Create a summary to monitor accuracy tensor
tf.summary.scalar("accuracy", accuracy)
#Merge all summaries into a single op
merged_summary_op = tf.summary.merge_all()

saver = tf.train.Saver()
save_path = ""
model_save = "model.ckpt"

# Start training
with tf.Session() as sess:

    # Run the initializer
    sess.run(init)

    # op to write logs to Tensorboard
    summary_writer = tf.summary.FileWriter(logs_path, graph=tf.get_default_graph())

    for step in range(1, training_steps+1):
        total_batch = int(mnist.train.num_examples/batch_size)

        batch_x, batch_y = mnist.train.next_batch(batch_size)
        # Reshape data to get 28 seq of 28 elements
        batch_x = batch_x.reshape((batch_size, timesteps, num_input))
        # Run optimization op (backprop)
        sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})
        if step % display_step == 0 or step == 1:
            # Calculate batch loss and accuracy
            loss, acc, summary = sess.run([loss_op, accuracy, merged_summary_op], feed_dict={X: batch_x,
                                                                 Y: batch_y})

            # Write logs at every iteration
            summary_writer.add_summary(summary, step * total_batch)

            print("Step " + str(step) + ", Minibatch Loss= " + \
                  "{:.4f}".format(loss) + ", Training Accuracy= " + \
                  "{:.3f}".format(acc))
    saver.save(sess, model_save)
    tf.train.write_graph(sess.graph_def, save_path, 'save_graph.pbtxt')
    #print(sess.graph.get_operations())

    print("Optimization Finished!")

    print("Run the command line:\n" \
            "--> tensorboard --logdir=logs/ " \
            "\nThen open http://0.0.0.0:6006/ into your web browser")

    # Calculate accuracy for 128 mnist test images
    test_len = 128
    test_data = mnist.test.images[:test_len].reshape((-1, timesteps, num_input))
    test_label = mnist.test.labels[:test_len]
    print("Testing Accuracy:", \
        sess.run(accuracy, feed_dict={X: test_data, Y: test_label}))

Код для генерации замороженной модели 

import tensorflow as tf
import numpy as np
from tensorflow.python.tools import freeze_graph

save_path = ""
model_name = "test_model_tf_keras_layers_lstm"
input_graph_path = save_path + "save_graph.pbtxt"
checkpoint_path = save_path + "model.ckpt"
input_saver_def_path = ""
input_binary = False
output_node_names = "Model/prediction_layer" #output node's name. Should match to that mentioned in the code
restore_op_name = 'save/restore_all'
filename_tensor_name = 'save/const:0'
output_frozen_graph_name = save_path + 'frozen_model' + '.pb'   # name of .pb file that one would like to give
clear_devices = True

freeze_graph.freeze_graph(input_graph_path, input_saver_def_path, input_binary, checkpoint_path, output_node_names, restore_op_name, filename_tensor_name, output_frozen_graph_name, clear_devices, "")
print("Model Freezed")

Код преобразования для создания файла формата .mlmodel 

import tfcoreml

coreml_model = tfcoreml.convert(tf_model_path = 'frozen_model_test_model_tf_keras_layers_lstm.pb', 
                      mlmodel_path = 'test_model.mlmodel', 
                      output_feature_names = ['Model/prediction_layer:0'], 
                      add_custom_layers = True)


coreml_model.save("test_model.mlmodel")

Сообщение об ошибке отображается с lstm_cell = rnn.BasicLSTMCell(num_hidden, name = "lstm_cell")

Value Error: Split op case not handled. Input shape = [1, 512], output shape = [1, 128]

Сообщение об ошибке отображается с lstm_cell = rnn.LSTMBlockCell(num_hidden, name = "lstm_cell")

InvalidArgumentError (see above for traceback): No OpKernel was registered to support Op 'LSTMBlockCell' used by node rnn/lstm_cell/LSTMBlockCell (defined at /anaconda2/lib/python2.7/site-packages/tfcoreml/_tf_coreml_converter.py:153) with these attrs: [forget_bias=1, use_peephole=false, cell_clip=-1, T=DT_FLOAT]
Registered devices: [CPU]
Registered kernels:
  <no registered kernels>

     [[node rnn/lstm_cell/LSTMBlockCell (defined at /anaconda2/lib/python2.7/site-packages/tfcoreml/_tf_coreml_converter.py:153) ]]

Я ожидаю, что модель замороженного тензорного потока может быть преобразована в формат .mlmodel.

...