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.Dataset API，但我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，所有的 examples I have found 都假设你有一个 tf.placeholder 作为输入。这是我如何训练的伪代码。 [...] 只是一个占位符，因为我实际上并没有运行代码。让我们不要争论模型，因为它只是假设给出一个例子：

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 tf.placeholder 的情况下将其导入 TensorRT？我能找到的所有示例都使用tf.placeholder 作为输入。 This example 建议我可以使用 SavedModel 类将迭代器替换为占位符，但我似乎找不到任何有关如何完成此操作的文档。

谢谢！

编辑：感谢以下帮助，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 操作将iterator 替换为tf.placeholder
2. 我不知道将数据提供给哪个节点进行评估：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，理论上最简单的解决方案是通过optimize_for_inference 导出推理图。

此工具既适用于已冻结的图形，也适用于您的情况，适用于仍定义变量的图形。 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frozen_model.pb 的新二进制文件，其中Variable 操作替换为Const 操作，其值从检查点文件加载。

然后，您需要生成推理图：

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

这会将IteratorGetNext 节点替换为浮点占位符。您可能想要选择另一个节点，在这种情况下只需更改名称。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，您需要从DataType enum 中提供一个与您想要的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从测试中生成的初始图，我认为那里仍然有一些奇怪的操作，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 graph transform tool 进一步处理您的图表