Keras模型轉成tensorflow的.pb操作

Keras的.h5模型轉成tensorflow的.pb格式模型，方便後期的前端部署。直接上代碼

  from keras.models import Model  from keras.layers import Dense, Dropout  from keras.applications.mobilenet import MobileNet  from keras.applications.mobilenet import preprocess_input  from keras.preprocessing.image import load_img, img_to_array  import tensorflow as tf  from keras import backend as K  import os     base_model = MobileNet((None, None, 3), alpha=1, include_top=False, pooling='avg', weights=None)  x = Dropout(0.75)(base_model.output)  x = Dense(10, activation='softmax')(x)     model = Model(base_model.input, x)  model.load_weights('mobilenet_weights.h5')     def freeze_session(session, keep_var_names=None, output_names=None, clear_devices=True):   from tensorflow.python.framework.graph_util import convert_variables_to_constants   graph = session.graph   with graph.as_default():    freeze_var_names = list(set(v.op.name for v in tf.global_variables()).difference(keep_var_names or []))    output_names = output_names or []    output_names += [v.op.name for v in tf.global_variables()]    input_graph_def = graph.as_graph_def()    if clear_devices:     for node in input_graph_def.node:      node.device = ""    frozen_graph = convert_variables_to_constants(session, input_graph_def,               output_names, freeze_var_names)    return frozen_graph     output_graph_name = 'NIMA.pb'  output_fld = ''  #K.set_learning_phase(0)     print('input is :', model.input.name)  print ('output is:', model.output.name)     sess = K.get_session()  frozen_graph = freeze_session(K.get_session(), output_names=[model.output.op.name])     from tensorflow.python.framework import graph_io  graph_io.write_graph(frozen_graph, output_fld, output_graph_name, as_text=False)  print('saved the constant graph (ready for inference) at: ', os.path.join(output_fld, output_graph_name))

補充知識：keras h5 model 轉換為tflite

在移動端的模型,若選擇tensorflow或者keras最基本的就是生成tflite文件，以本文記錄一次轉換過程。

環境

tensorflow 1.12.0

python 3.6.5

h5 model saved by `model.save('tf.h5')`

直接轉換

  `tflite_convert --output_file=tf.tflite --keras_model_file=tf.h5`  output  `TypeError: __init__() missing 2 required positional arguments: 'filters' and 'kernel_size'`

先轉成pb再轉tflite

  ```    git clone git@github.com:amir-abdi/keras_to_tensorflow.git  cd keras_to_tensorflow  python keras_to_tensorflow.py --input_model=path/to/tf.h5 --output_model=path/to/tf.pb  tflite_convert      --output_file=tf.tflite    --graph_def_file=tf.pb    --input_arrays=convolution2d_1_input    --output_arrays=dense_3/BiasAdd    --input_shape=1,3,448,448  ```

參數說明，input_arrays和output_arrays是model的起始輸入變量名和結束變量名，input_shape是和input_arrays對應

官網是說需要用到tenorboard來查看，一個比較trick的方法

先執行上面的命令，會報convolution2d_1_input找不到，在堆棧裡面有convert_saved_model.py文件，get_tensors_from_tensor_names()這個方法，添加`print(list(tensor_name_to_tensor))` 到 tensor_name_to_tensor 這個變量下面，再執行一遍，會打印出所有tensor的名字，再根據自己的模型很容易就能判斷出實際的name。