训练后用占位符交换TensorFlow数据集输入管道

Question

我正在使用新的tf.data.DatasetAPI，但似乎无法弄清楚如何执行推理。最终，我想将我的模型转换为TensorRT图并在TX2上运行它，并且我发现的所有示例都假设您tf.placeholder输入的是a 。这是我如何训练的伪代码。该[...]只是要用作占位符，因为我实际上没有运行代码。让我们不要争论该模型，因为它只是想举一个例子：

import tensorflow as tf

# Setup iterator
datain = tf.data.FixedLengthRecordDataset(datafiles, record_bytes1)
labels = tf.data.FixedLengthRecordDataset(labelfiles, record_bytes2)
dataset = tf.data.Dataset.zip((datain, labels))
dataset = dataset.prefetch(batch_size)
dataset = dataset.repeat(n_epoch)
iterator = dataset.make_initializable_iterator()

sess = tf.Session()
sess.run(iterator.initializer)
[batch_x, batch_y] = iterator.get_next()

# Define model function (let's not debate model except as relevant to question)
def model_fn(xin):
    x0 = tf.transpose(tf.reshape(xin, [...], name='input'))
    w = tf.Variable(tf.truncated_normal([...], stddev=0.1))
    x1 = tf.nn.conv2d(x0, w, strides=[...], padding='VALID')
    b = tf.Variable(tf.constant(0.0, shape=[...]))
    x2 = tf.nn.bias_add(x1, b)
    x3 = tf.nn.relu(x2, name='output')
    return x3

# Setup training environment
model = model_fn(batch_x)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=model, labels=batch_y))
optimizer = tf.train.AdamOptimizer(learning_rate=1e-3).minimize(loss)

# Train Model
while True:
    try:
        sess.run(optimizer)
    except tf.errors.OutOfRangeError:
        break

# Save model
saver = tf.train.Saver(name='saver')
saver.save(sess, 'temp/path')

我的问题是如何在不输入输入的情况下将其输入TensorRT tf.placeholder？我可以找到的所有示例都使用a tf.placeholder作为输入。这个例子表明我可以使用SavedModel该类用一个占位符代替迭代器，但是我似乎找不到任何有关如何实现该目的的文档。

谢谢！

编辑：这是我的解决方案，感谢以下帮助

from tensorflow.python.tools import optimize_for_inference_lib
import uff

# You can feed data to the IteratorGetNext node using feed_dict
input_node_name = 'iterator_scope_name/IteratorGetNext'
output_node_name = 'model_scope_name/output'

# Run inference on the trained model:
graph = tf.get_default_graph()
batch_x = graph.get_tensor_by_name(input_node_name + ':0')
networkout = graph.get_tensor_by_name(output_node_name + ':0')
testdata, testlabel = custom_data_reader_fn(data_folder)
# This will evaluate the model
label = sess.run(networkout, feed_dict={batch_x: testdata})

# Freeze model and create a UFF file:
graph_def = graph.as_graph_def() # Convert the graph to a serialized pb
frozen_graph_def = tf.graph_util.convert_variables_to_constants(sess,
    graph_def, [output_node_name])
opt_graph_def = optimize_for_inference_lib.optimize_for_inference(
    frozen_graph_def, [input_node_name], [output_node_name],
    tf.float32.as_datatype_enum)
uff.from_tensorflow(opt_graph_def, [output_node_name], quiet=False,
    output_filename='opt_model.uff')

这将写出TensorRT可以利用的UFF文件。我遇到的最大问题是：

1. 我没有意识到该optimize_for_inference_lib.optimize_for_inference操作用替换iterator了tf.placeholder
2. 我不知道将数据馈送到哪个节点进行评估：您可以将数据馈送到该IteratorGetNext节点

Answer 1

由于您已经在检查点中保存了经过训练的图，理论上最简单的解决方案是通过以下方式导出推理图optimize_for_inference。

该工具既适用于已冻结的图表，也适用于您的情况，适用于仍定义变量的图表。假设您采用冻结图方式，第一步是通过以下方式将图的变量转换为常量：

python freeze_graph.py \
--input_graph=temp/path/graph.pbtxt \
--input_checkpoint=temp/path/your_model_name.ckpt \
--output_graph=frozen_model.pb \
--output_node_names=name_of_the_output_tensor_you_want_to_use

这将生成一个名为的新二进制文件，frozen_model.pb其中的Variable操作替换为Const带有从检查点文件加载的值的 ops。

然后，您需要使用以下命令生成推理图：

python optimize_for_inference.py \
--input=frozen_model.pb \
--output=inference.pb \
--frozen_graph=True \
--input_names=IteratorGetNext
--output_names=name_of_the_output_tensor_you_want_to_use

IteratorGetNext这将用浮动占位符替换节点。您可能想要选择另一个节点，在这种情况下只需更改名称即可。您还可以通过选项更改生成的占位符的类型--placeholder_type_enum。DataType在这种情况下，您需要提供与您想要的enum数据类型相匹配的整数值。

注意：我说“理论上”是因为实际上检查了我所做的测试中生成的初始图，其中似乎仍然存在一些奇怪的操作，这些操作对于推理来说并不是真正必要的。您可能需要通过 nvidia 的Graph Surgeon或 TF 的图形转换工具进一步处理您的图形