【TensorFlow】Caffe模型转tensorflow模型并使用模型进行预测
2017-03-27 20:05
1256 查看
做了一个Caffe模型转tensorflow的实验,把ResNet模型和prototxt转为tensorflow模型和tensorflow代码,挺有意思的。
主要参考:
https://my.oschina href="http://lib.csdn.net/base/dotnet" target=_blank>.NET/yilian/blog/672135
这个开源项目 caffe-tensorflow 提供了caffe转tensorflow的功能:
https://github.com/ethereon/caffe-tensorflow
1. 环境准备
环境:Pytcaffe, tensorflow
因为我的Anaconda是有一个单独的tensorflow环境,在此环境中增加Pycaffe是有问题的,因此另加了一个环境:
Anaconda会自动安装一个同时具备caffe和tensorflow的环境,等待安装完成,激活环境:
2. 使用开源转换
解压caffe-tensorflow到某个目录,并进入。
这里以ResNet101为例(https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet)
下载模型:
[html] view plain copy print?
curl http://ethereon.github.io/netscope/#/gist/b21e2aae116dc1ac7b50 -o ResNet-101-model.caffemodel
下载模型配置:
下载此项目 https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet
转换只需一个指令:
[plain] view plain copy print?
./convert.py ResNet-101-deploy.prototxt –caffemodel ResNet-101-model.caffemodel –code-output-path=ResNetTensorflow.py –data-output-path=ResNetTensorflow_2.npy
[python] view plain copy print?
….
transformer.py”, line 149, in map_batch_norm
scale_offset = len(node.data) == 4
TypeError: object of type ’NoneType’ has no len()
3. 使用转换的模型做预测
caffe-tensorflow里有一个很好的example,见:
path-caffe-tensorflow/examples/imagenet
说明: https://github.com/ethereon/caffe-tensorflow/tree/master/examples/imagenet
调用模型:
[plain] view plain copy print?
./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png">&
4000
lt;/a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"><script type="math/tex" id="MathJax-Element-1"> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png"></a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"></script> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg
可得到预测结果:
Image Classified As Confidence
———————————————————————-
kitty.png Persian cat 99.75 %
woof.jpg Bernese mountain dog 82.02 %
测试了一下用自己转换的模型预测:
1. 首先把转换的模型代码拷贝入imagenet/models目录
2. 修改models/helper.py
2.1 增加引入
from MyModel import xmodel
2.2 在MODELS 枚举里增加 xmodel
2.3 在MODEL_DATA_SPECS里增加对batchsize的配置
3. 拷贝一份imagenet/classify.py,修改为使用自己的模型(原始的classify.py是用Googlenet的)
替换所有的models.GoogleNet为models.xmodel
4. 执行:
[plain] view plain copy print?
./classify_xmodel.py /path/to/xmodel.npy ~/pics/kitty.png ~/pics/woof.jpg
Image Classified As Confidence
———————————————————————-
n03792782_52.JPEG mountain bike, all-terrain bike, off-roader 98.98 %
n03803284_28.JPEG muzzle 99.71 %
n03804744_1.JPEG nail 75.82 %
总结,caffe-tensorflow转换还是很好用的,官方的example也能帮我们快速学习到tensorflow调用转换后模型的方式,done。
主要参考:
https://my.oschina href="http://lib.csdn.net/base/dotnet" target=_blank>.NET/yilian/blog/672135
这个开源项目 caffe-tensorflow 提供了caffe转tensorflow的功能:
https://github.com/ethereon/caffe-tensorflow
1. 环境准备
环境:Pytcaffe, tensorflow
因为我的Anaconda是有一个单独的tensorflow环境,在此环境中增加Pycaffe是有问题的,因此另加了一个环境:
conda create -n caffe-tf python=2 tensorflow caffe
Anaconda会自动安装一个同时具备caffe和tensorflow的环境,等待安装完成,激活环境:
source activate caffe-tf
2. 使用开源转换
解压caffe-tensorflow到某个目录,并进入。
这里以ResNet101为例(https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet)
下载模型:
[html] view plain copy print?
curl http://ethereon.github.io/netscope/#/gist/b21e2aae116dc1ac7b50 -o ResNet-101-model.caffemodel
curl http://ethereon.github.io/netscope/#/gist/b21e2aae116dc1ac7b50 -o ResNet-101-model.caffemodel
下载模型配置:
下载此项目 https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet
转换只需一个指令:
[plain] view plain copy print?
./convert.py ResNet-101-deploy.prototxt –caffemodel ResNet-101-model.caffemodel –code-output-path=ResNetTensorflow.py –data-output-path=ResNetTensorflow_2.npy
./convert.py ResNet-101-deploy.prototxt --caffemodel ResNet-101-model.caffemodel --code-output-path=ResNetTensorflow.py --data-output-path=ResNetTensorflow_2.npycode和data需同时输出,否则单独输出code会报错:
[python] view plain copy print?
….
transformer.py”, line 149, in map_batch_norm
scale_offset = len(node.data) == 4
TypeError: object of type ’NoneType’ has no len()
.... transformer.py", line 149, in map_batch_norm scale_offset = len(node.data) == 4 TypeError: object of type 'NoneType' has no len()这是参考材料中的一个错误,也是这个开源的一个缺陷,绕过即可。
3. 使用转换的模型做预测
caffe-tensorflow里有一个很好的example,见:
path-caffe-tensorflow/examples/imagenet
说明: https://github.com/ethereon/caffe-tensorflow/tree/master/examples/imagenet
调用模型:
[plain] view plain copy print?
./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png">&
4000
lt;/a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"><script type="math/tex" id="MathJax-Element-1"> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png"></a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"></script> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg
可得到预测结果:
Image Classified As Confidence
———————————————————————-
kitty.png Persian cat 99.75 %
woof.jpg Bernese mountain dog 82.02 %
测试了一下用自己转换的模型预测:
1. 首先把转换的模型代码拷贝入imagenet/models目录
2. 修改models/helper.py
2.1 增加引入
from MyModel import xmodel
2.2 在MODELS 枚举里增加 xmodel
2.3 在MODEL_DATA_SPECS里增加对batchsize的配置
3. 拷贝一份imagenet/classify.py,修改为使用自己的模型(原始的classify.py是用Googlenet的)
替换所有的models.GoogleNet为models.xmodel
4. 执行:
[plain] view plain copy print?
./classify_xmodel.py /path/to/xmodel.npy ~/pics/kitty.png ~/pics/woof.jpg
./classify_xmodel.py /path/to/xmodel.npy ~/pics/kitty.png ~/pics/woof.jpg预测结果类似如下:
Image Classified As Confidence
———————————————————————-
n03792782_52.JPEG mountain bike, all-terrain bike, off-roader 98.98 %
n03803284_28.JPEG muzzle 99.71 %
n03804744_1.JPEG nail 75.82 %
总结,caffe-tensorflow转换还是很好用的,官方的example也能帮我们快速学习到tensorflow调用转换后模型的方式,done。
相关文章推荐
- 【TensorFlow】Caffe模型转tensorflow模型并使用模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)【转】
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测(tf.graph_util.convert_variables_to_constants函数)
- Caffe--在caffe外面使用classification.cpp进行分类预测
- 使用caffe训练好的模型进行分类
- 使用Caffe训练适合自己样本集的AlexNet网络模型,并对其进行分类
- 简单数据预测—使用Python训练回归模型并进行预测(转自蓝鲸网站分析博客)
- 机器学习中的贝叶斯方法---先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测(2)
- 【Caffe的C++接口使用说明(三)】Ubuntu14.04下Caffe利用训练好的模型进行分类的C++接口使用说明(三)
- DL开源框架Caffe | 用训练好的模型对数据进行预测
- 【神经网络与深度学习】Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning