Nano Hash - криптовалюты, майнинг, программирование

TFLite: Можно ли преобразовать модель H5, но с другой входной формой, используя load_model Кераса?

В настоящее время я использую этот скрипт для преобразования моей модели H5 в TFLite:

 # CONVERTING TO TFLITE FORMAT
    g.save(os.path.join(save_dir, 'full_generator_{}_{}.h5'.format(epoch_number, current_loss)), include_optimizer=False)

    model = tf.keras.models.load_model(
        os.path.join(save_dir, 'full_generator_{}_{}.h5'.format(epoch_number, current_loss)), custom_objects={'ReflectionPadding2D': ReflectionPadding2D})
    converter = tf.lite.TFLiteConverter.from_keras_model(model)
    tflite_model = converter.convert()

    open(os.path.join(save_dir, 'full_generator_{}_{}.tflite'.format(epoch_number, current_loss)),
         "wb").write(tflite_model)
 # /CONVERTING TO TFLITE FORMAT

Моя проблема в том, что модель H5 имеет размеры входной формы 256x256x3. Я бы хотел, чтобы преобразованная модель TFLite имела размеры входной формы 800x800x3.

Я знаю, что это возможно с функцией TF замороженного графика.

Но возможно ли это с load_model?

keras tensorflow tensorflow2.0 tf.keras tensorflow-lite
30.11.2019

  • Вы не можете изменить входную форму замороженного графа и, следовательно, файла TFLite. 30.11.2019

Ответы:


1

Вы можете заключить свою модель в tf.function с новой входной сигнатурой и вместо этого преобразовать from_concrete_functions.

model = tf.keras.models.load_model(
    os.path.join(save_dir, 
                 'full_generator_{}_{}.h5'.format(epoch_number, current_loss)), 
    custom_objects={'ReflectionPadding2D': ReflectionPadding2D})

wrapped_model = tf.function(lambda input_data: model(input_data))
input_spec = tf.TensorSpec((800, 800, 3), model.inputs[0].dtype)
concrete_func = wrapped_model.get_concrete_function(input_spec)
converter = tf.lite.TFLiteConverter.from_concrete_functions([concrete_func])

Вы также можете создать tf.function, которая изменяет размер входных данных в соответствии с требуемой формой вашей модели, если ваша модель не поддерживает измененный размер.

05.12.2019
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..