在 Tensorflow-lite 中输入具有动态尺寸的图像

Question

我有一个张量流模型，可以输入不同大小的图像：

inputs = layers.Input(shape=(128,None,1), name='x_input')

<tf.Tensor 'x_input:0' shape=(?, 128, ?, 1) dtype=float32>

当我将此模型转换为 tensorflow-lite 时，它会抱怨：

converter = tf.lite.TFLiteConverter.from_frozen_graph(
  graph_def_file, input_arrays, output_arrays)
tflite_model = converter.convert() 

ValueError: None is only supported in the 1st dimension.
Tensor 'x_input_1' has invalid shape '[None, 128, None, 1]'.

我无法将图像缩放到固定大小。我看到的唯一解决方案是将图像填充到某个最大尺寸并在图表中使用该尺寸，但这似乎很浪费。还有其他方法可以使 tensorflow-lite 使用动态图像尺寸吗？这种限制有什么理由吗？谢谢

Answer 1

是的，您可以在 TF-Lite 中使用动态张量。之所以不能直接设置shape为[None, 128, None, 1]是因为这样以后可以方便的支持更多的语言。此外，它充分利用了静态内存分配方案。对于旨在用于计算能力较低的小型设备的框架来说，这是一个明智的设计选择。以下是动态设置张量大小的步骤：

0。冻结

您似乎是从冻结的 GraphDef，即 *.pb 文件进行转换。假设您的冻结模型具有输入形状 [None, 128, None, 1].

1。转换步骤。

在此步骤中，将输入大小设置为您的模型可以接受的任何有效大小。例如：

tflite_convert \
  --graph_def_file='model.pb' \
  --output_file='model.tflite' \
  --input_shapes=1,128,80,1 \     # <-- here, you set an
                                  #     arbitrary valid shape
  --input_arrays='input' \         
  --output_arrays='Softmax'

2。推理步骤

诀窍是在推理过程中实时使用 TF-Lite API 的函数 interpreter::resize_tensor_input(...)。我将提供它的 python 实现。 Java 和 C++ 实现应该相同（因为它们具有相似的 API）：

from tensorflow.contrib.lite.python import interpreter

# Load the *.tflite model and get input details
model = Interpreter(model_path='model.tflite')
input_details = model.get_input_details()

# Your network currently has an input shape (1, 128, 80 , 1),
# but suppose you need the input size to be (2, 128, 200, 1).
model.resize_tensor_input(
    input_details[0]['index'], (2, 128, 200, 1))
model.allocate_tensors()

就是这样。您现在可以将该模型用于形状为 (2, 128, 200, 1) 的图像，只要您的网络架构允许这样的输入形状。请注意，每次进行此类重塑时都必须执行 model.allocate_tensors()，因此效率非常低。 强烈建议避免在您的程序中过多地使用该函数。

Answer 2

以上答案不再适用于较新版本的 Tensorflow。在转换步骤中应该使用形状 None 而不是虚拟形状，然后使用 interpreter.resizeInput() 就可以了。看这里：https://github.com/tensorflow/tensorflow/issues/41807

在 Tensorflow-lite 中输入具有动态尺寸的图像

Input images with dynamic dimensions in Tensorflow-lite

python

keras

tensorflow

tensorflow-lite

0。冻结

1。转换步骤。

2。推理步骤