当前位置： 移动技术网 > IT编程>开发语言>c# > 如何使用C#将Tensorflow训练的.pb文件用在生产环境详解

如何使用C#将Tensorflow训练的.pb文件用在生产环境详解

2019年07月18日  | 移动技术网IT编程  | 我要评论

前言

tensorflow是google开源的一款人工智能学习系统。为什么叫这个名字呢？tensor的意思是张量，代表n维数组；flow的意思是流，代表基于数据流图的计算。把n维数字从流图的一端流动到另一端的过程，就是人工智能神经网络进行分析和处理的过程。

训练了很久的tf模型，终于要到生产环境中去考研一番了。今天花费了一些时间去研究tf的模型如何在生产环境中去使用。大概整理了这些方法。

继续使用分步骤保存了的ckpt文件

这个貌似脱离不了tensorflow框架，而且生成的ckpt文件比较大，发布到生产环境的时候，还得把python的算法文件一起搞上去，如何和其他程序交互，可能还得自己去写服务。估计很少有人这么做，貌似性能也很一般。

使用tensorflow serving

tf serving貌似是大家都比较推崇的方法。需要编译tfserving，然后把模型导出来。直接执行tf serving的进程，就可以对外提供服务了。具体调用的时候，还得自己写客户端，使用人grpc去调用serving，然后再对外提供服务，听上去比较麻烦。而且我今天没太多的时间去研究grpc，网络上关于客户端很多都是用python写的，我感觉自己的python水平比较菜，没信心能写好。所以这个方式就先没研究。

生产.pb文件，然后写程序去调用.pb文件

生成了.pb文件以后，就可以被程序去直接调用，传入参数，然后就可以传出来参数，而且生成的.pb文件非常的小。而我又有比较丰富的.net开发经验。在想，是否可以用c#来解析.pb文件，然后做一个.net core的对外服务的api，这样貌似更加高效，关键是自己熟悉这款的开发，不用花费太多的时间去摸索。、

具体的思路

使用.net下面的tensorflow框架tensorflowsharp（貌似还是没脱离了框架）.去调用pb文件，然后做成.net core web api 对外提供服务。

具体的实现

直接上代码，非常简单，本身设计到tensorflowsharp的地方非常的少

var graph = new tfgraph();
//重点是下面的这句，把训练好的pb文件给读出来字节，然后导入
var model = file.readallbytes(model_file);
graph.import(model);

console.writeline("请输入一个图片的地址");
var src = console.readline();
var tensor = imageutil.createtensorfromimagefile(src);

using (var sess = new tfsession(graph))
{
var runner = sess.getrunner();
runner.addinput(graph["cast_1"][0], tensor);
var r = runner.run(graph.softmax(graph["softmax_linear/softmax_linear"][0]));
var v = (float[,])r.getvalue();
console.writeline(v[0,0]);
console.writeline(v[0, 1]);
}

imageutil这个类库是tensorflowsharp官方的例子中一个把图片转成tensor的类库，我直接copy过来了，根据我的网络，修改了几个参数。

public static class imageutil
{
public static tftensor createtensorfromimagefile(byte[] contents, tfdatatype destinationdatatype = tfdatatype.float)
{
var tensor = tftensor.createstring(contents);

tfoutput input, output;

// construct a graph to normalize the image
using (var graph = constructgraphtonormalizeimage(out input, out output, destinationdatatype))
{
// execute that graph to normalize this one image
using (var session = new tfsession(graph))
{
var normalized = session.run(
inputs: new[] { input },
inputvalues: new[] { tensor },
outputs: new[] { output });

return normalized[0];
}
}
}
// convert the image in filename to a tensor suitable as input to the inception model.
public static tftensor createtensorfromimagefile(string file, tfdatatype destinationdatatype = tfdatatype.float)
{
var contents = file.readallbytes(file);

// decodejpeg uses a scalar string-valued tensor as input.
var tensor = tftensor.createstring(contents);

tfoutput input, output;

// construct a graph to normalize the image
using (var graph = constructgraphtonormalizeimage(out input, out output, destinationdatatype))
{
// execute that graph to normalize this one image
using (var session = new tfsession(graph))
{
var normalized = session.run(
inputs: new[] { input },
inputvalues: new[] { tensor },
outputs: new[] { output });

return normalized[0];
}
}
}

// the inception model takes as input the image described by a tensor in a very
// specific normalized format (a particular image size, shape of the input tensor,
// normalized pixel values etc.).
//
// this function constructs a graph of tensorflow operations which takes as
// input a jpeg-encoded string and returns a tensor suitable as input to the
// inception model.
private static tfgraph constructgraphtonormalizeimage(out tfoutput input, out tfoutput output, tfdatatype destinationdatatype = tfdatatype.float)
{
// some constants specific to the pre-trained model at:
// https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip
//
// - the model was trained after with images scaled to 224x224 pixels.
// - the colors, represented as r, g, b in 1-byte each were converted to
// float using (value - mean)/scale.

const int w = 128;
const int h = 128;
const float mean = 0;
const float scale = 1f;

var graph = new tfgraph();
input = graph.placeholder(tfdatatype.string);

output = graph.cast(
graph.div(x: graph.sub(x: graph.resizebilinear(images: graph.expanddims(input: graph.cast(graph.decodejpeg(contents: input, channels: 3), dstt: tfdatatype.float),
dim: graph.const(0, "make_batch")),
size: graph.const(new int[] { w, h }, "size")),
y: graph.const(mean, "mean")),
y: graph.const(scale, "scale")), destinationdatatype);

return graph;
}
}

搞定

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对移动技术网的支持。

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网