训练后使用占位符交换TensorFlow数据集输入管道

Question

我正在使用新的tf.data.Dataset API，我似乎无法弄清楚如何执行推理。 最后，我想将我的模型转换为TensorRT图并在TX2上运行它， 我发现的所有示例都假设您有一个输入的tf.placeholder 。 这是我如何训练的伪代码。 [...]只是意味着占位符，因为我实际上没有运行代码。 我们不要讨论模型，因为它只是举一个例子：

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')

我的问题是如何在没有输入为tf.placeholder的情况下将其tf.placeholder ？ 我可以找到的所有示例都使用tf.placeholder作为输入。 这个例子表明我可以使用SavedModel类用占位符替换迭代器，但我似乎找不到任何关于如何实现它的文档。

谢谢！

编辑：感谢下面的帮助，这是我的解决方案

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可以使用的UFF文件。 我遇到的最大问题是：

1. 我没有意识到optimize_for_inference_lib.optimize_for_inference操作用tf.placeholder替换了iterator
2. 我不知道将数据提供给评估的节点：您可以将数据提供给IteratorGetNext节点

Answer 1

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

此工具既适用于已经冻结的图形，也适用于仍然定义了变量的图形。 假设您采用冻结图形方式，第一步是通过以下方式将图形变量转换为常量：

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frozen_model.pb的新二进制文件，该文件使用从检查点文件加载的值的Const操作替换Variable操作。

然后，您需要使用以下内容生成推理图：

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

这将使用float占位符替换IteratorGetNext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--placeholder_type_enum选项更改生成的占位符的类型。 在这种情况下，您需要提供一个与DataType枚举所需的数据类型匹配的整数值。

注意：我说“在理论上”是因为实际检查生成的初始图来自我所做的测试似乎仍有一些奇怪的操作在那里并不是推理所必需的。 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图形