這篇文章主要介紹怎么使用C#將Tensorflow訓(xùn)練的.pb文件用在生產(chǎn)環(huán)境，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！
TensorFlow是Google開源的一款人工智能學(xué)習(xí)系統(tǒng)。Tensor的意思是張量，代表N維數(shù)組；Flow的意思是流，代表基于數(shù)據(jù)流圖的計(jì)算。把N維數(shù)字從流圖的一端流動(dòng)到另一端的過程，就是人工智能神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和處理的過程。
怎么使用C#將Tensorflow訓(xùn)練的.pb文件用在生產(chǎn)環(huán)境
使用分步驟保存了的ckpt文件
這個(gè)貌似脫離不了tensorflow框架，而且生成的ckpt文件比較大，發(fā)布到生產(chǎn)環(huán)境的時(shí)候，還得把python的算法文件一起搞上去，如何和其他程序交互，可能還得自己去寫服務(wù)。估計(jì)很少有人這么做，貌似性能也很一般。
使用tensorflow Serving
tf Serving貌似是大家都比較推崇的方法。需要編譯tfServing，然后把模型導(dǎo)出來。直接執(zhí)行tf Serving的進(jìn)程，就可以對外提供服務(wù)了。具體調(diào)用的時(shí)候，還得自己寫客戶端，使用人gRPC去調(diào)用Serving，然后再對外提供服務(wù)，聽上去比較麻煩。而且我今天沒太多的時(shí)間去研究gRPC，網(wǎng)絡(luò)上關(guān)于客戶端很多都是用python寫的，我感覺自己的python水平比較菜，沒信心能寫好。所以這個(gè)方式就先沒研究。
生產(chǎn).pb文件，然后寫程序去調(diào)用.pb文件
生成了.pb文件以后，就可以被程序去直接調(diào)用，傳入?yún)?shù)，然后就可以傳出來參數(shù)，而且生成的.pb文件非常的小。而我又有比較豐富的.net開發(fā)經(jīng)驗(yàn)。在想，是否可以用C#來解析.pb文件，然后做一個(gè).net core的對外服務(wù)的API，這樣貌似更加高效，關(guān)鍵是自己熟悉這款的開發(fā)，不用花費(fèi)太多的時(shí)間去摸索。、
具體的思路
使用.net下面的TensorFlow框架tensorflowSharp（貌似還是沒脫離了框架）.去調(diào)用pb文件，然后做成.net core web API 對外提供服務(wù)。
具體的實(shí)現(xiàn)
直接上代碼，非常簡單，本身設(shè)計(jì)到tensorflowsharp的地方非常的少
重慶分公司
重慶分公司
var graph = new TFGraph();
//重點(diǎn)是下面的這句，把訓(xùn)練好的pb文件給讀出來字節(jié)，然后導(dǎo)入
var model = File.ReadAllBytes(model_file);
graph.Import(model);
Console.WriteLine("請輸入一個(gè)圖片的地址");
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這個(gè)類庫是tensorflowSharp官方的例子中一個(gè)把圖片轉(zhuǎn)成tensor的類庫，我直接copy過來了，根據(jù)我的網(wǎng)絡(luò)，修改了幾個(gè)參數(shù)。
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;
}
}以上是“怎么使用C#將Tensorflow訓(xùn)練的.pb文件用在生產(chǎn)環(huán)境”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司行業(yè)資訊頻道！
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
