Каким должно быть "input_tensor_name" во время преобразования модели из замороженного графа в модель tflite?

Question

Я обучил модель семантической сегментации на собственном наборе данных, используя скрипты Python, доступные на официальной странице Deeplab на Github. И обучение, и тестирование прошли хорошо.

Затем я экспортировал свою модель в замороженный график с помощью export_model.py с помощью этой команды:

python3 export_model.py \
   --model_variant="xception_65" \
   --crop_size=354 \
   --crop_size=354 \
   --atrous_rates=6 \
   --atrous_rates=12 \
   --atrous_rates=18 \
   --output_stride=16 \
   --checkpoint_path=model.ckpt-1000 \
   --export_path=frozen_inference_graph_354X354.pb

Это тоже получится. Теперь я хочу преобразовать мой замороженный график в tflite с помощью convert_to_tflite.py. Этот скрипт имеет 2 входных параметра, которые я не понимаю: "input_tensor_name" и "output_tensor_name". Должен ли я оставить значение по умолчанию "ArgMax:0" для "output_tensor_name". Каким должно быть значениеinput_tensor_name?

python3 convert_to_tflite.py \
   --quantized_graph_def_path=frozen_inference_graph_354X354.pb \
   --output_tflite_path=model.tflite \
   --input_tensor_name="?" \
   --output_tensor_name="?"

Я не смог найти никакой документации по этому поводу. Заранее спасибо!

Answer 1

Вам нужно взглянуть на документацию, в частности, на документ quantize markdown.

В этом документе вы можете найти действующий --input_tensor_name=MobilenetV2/MobilenetV2/input:0

Вам необходимо обучить модель, поддерживающую квантование, используя одну из стратегий, показанных в документе, повозившись с параметром --quantize_delay_step

Для обучения вам, вероятно, понадобится как минимум tenorflow==1.15.3. См. Эту проблему

Если вы сделаете все вышеперечисленное, ваш замороженный график будет иметь допустимый входной тензор с указанным именем. Вы можете проверить это, выполнив поиск по конкретному имени узла с помощью Netron. Наконец, создайте модель tflite, используя convert_to_tflite.py сценарий