深度学习项目实践集我爱编程c++调用tensorflow

Tensorflow C++ API调用Python预训练模型

2017-08-12  本文已影响6388人  415lab_MoMo

最近一段时间研究了如何打通tensorflow线下使用python训练深度学习模型，然后线上使用c++调用预先训练好的模型完成预测的流程。毕竟深度学习模型上线是需要考虑效率的，目前来说c++的效率还是python所不能比的。
这篇文章基于tensorflow 1.2版本写的，tensorflow 1.2版本及以上提供了一种更加方便的c++ API调用python API训练好的模型。但这方面的资料比较少，自己也踩了不少坑，于是写了一个简单的使用tensorflow c++ API调用线下python API训练好的模型的demo，以及如何配置环境和编译。

大体的流程如下：

安装Bazel

Bazel是一个类似于Make的工具，是Google为其内部软件开发的特点量身定制的工具，如今Google使用它来构建内部大多数的软件。
在编译 tensorflow c++的时候，需要利用bazel来进行编译的，理论上是可以使用Cmake等其工具来编译的，但是我尝试了好久没有成功，所以最后还是使用了google的bazel进行编译。希望有大神可以把编译方法告诉我～
安装方法按照官方教程走就行。我采用的是直接编译二进制文件的方法，这个最简单直接，首先下载对应版本的二进制文件，然后执行下面的命令即可：

$ chmod +x bazel-version-installer-os.sh
$ ./bazel-version-installer-os.sh --user

下载Tensorflow源码

我们需要将Tensorflow源码下载到本地，后续编译tensorflow c++ 代码需要在这个目录下进行。在这里需要说明的一点是，本文采用的c++ API载入python 预训练模型的方法，是基于tensorflow1.2版本。所以需要下载tensorflow 1.2版本及以上，直接从github上clone即可：

$ git clone -b r1.2 https://github.com/tensorflow/tensorflow.git

使用Tensorflow Python API线下定义模型和训练

这里的话我写了一个十分简单的基于tensorflow的demo：res=a*b+y，代码如下：

# -*-coding:utf-8 -*-
import numpy as np
import tensorflow as tf
import sys, os

if __name__ == '__main__':
    train_dir = os.path.join('demo_model/', "demo")
    a = tf.placeholder(dtype=tf.int32, shape=None, name='a')
    b = tf.placeholder(dtype=tf.int32, shape=None, name='b')
    y = tf.Variable(tf.ones(shape=[1], dtype=tf.int32), dtype=tf.int32, name='y')
    res = tf.add(tf.multiply(a, b), y, name='res')
    with tf.Session() as sess:
        feed_dict = dict()
        feed_dict[a] = 2
        feed_dict[b] = 3
        fetch_list = [res]
        sess.run(tf.global_variables_initializer())
        saver = tf.train.Saver()
        # 训练和保存模型
        res = sess.run(feed_dict=feed_dict, fetches=fetch_list)
        saver.save(sess, train_dir)

        print("result: ", res[0])

运行结果如下：

result:  [7]

模型保存在了demo_model/下，里面的包含四个文件：

checkpoint  #模型checkpoint中的一些文件名的信息
demo.data-00000-of-00001  #模型中保存的各个权重
demo.index  #可能是保存的各个权重的索引
demo.meta  #模型构造的图的拓扑结构

使用python API 载入和运行模型的代码如下：

# -*- coding:utf-8 -*-
import tensorflow as tf
import os

if __name__ == '__main__':
    with tf.Session() as sess:
        saver = tf.train.import_meta_graph('demo_model/demo.meta')
        saver.restore(sess, tf.train.latest_checkpoint('demo_model/'))
        # sess.run()
        graph = tf.get_default_graph()
        a = graph.get_tensor_by_name("a:0")
        b = graph.get_tensor_by_name("b:0")
        feed_dict = {a: 2, b: 3}

        op_to_restore = graph.get_tensor_by_name("res:0")
        print(sess.run(fetches=op_to_restore, feed_dict=feed_dict))

运行结果如下：

[7]

使用Tensorflow c++ API读入预训练模型

关于tensorflow c++ API的教程网上资料真的很少，我只能一边看着官方文档一边查着Stack Overflow慢慢写了，有些API我现在也不是很清楚怎么用，直接上代码吧：

//
// Created by MoMo on 17-8-10.
//
#include <iostream>
#include "tensorflow/core/public/session.h"
#include "tensorflow/core/protobuf/meta_graph.pb.h"
#include "tensorflow/cc/client/client_session.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/tensor.h"

using namespace std;
using namespace tensorflow;

int main()
{
    const string pathToGraph = "demo_model/demo.meta";
    const string checkpointPath = "demo_model/demo";
    auto session = NewSession(SessionOptions());
    if (session == nullptr)
    {
        throw runtime_error("Could not create Tensorflow session.");
    }

    Status status;

// 读入我们预先定义好的模型的计算图的拓扑结构
    MetaGraphDef graph_def;
    status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
    if (!status.ok())
    {
        throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
    }

// 利用读入的模型的图的拓扑结构构建一个session
    status = session->Create(graph_def.graph_def());
    if (!status.ok())
    {
        throw runtime_error("Error creating graph: " + status.ToString());
    }

// 读入预先训练好的模型的权重
    Tensor checkpointPathTensor(DT_STRING, TensorShape());
    checkpointPathTensor.scalar<std::string>()() = checkpointPath;
    status = session->Run(
            {{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },},
            {},
            {graph_def.saver_def().restore_op_name()},
            nullptr);
    if (!status.ok())
    {
        throw runtime_error("Error loading checkpoint from " + checkpointPath + ": " + status.ToString());
    }

//  构造模型的输入，相当与python版本中的feed
    std::vector<std::pair<string, Tensor>> input;
    tensorflow::TensorShape inputshape;
    inputshape.InsertDim(0,1);
    Tensor a(tensorflow::DT_INT32,inputshape);
    Tensor b(tensorflow::DT_INT32,inputshape);
    auto a_map = a.tensor<int,1>();
    a_map(0) = 2;
    auto b_map = b.tensor<int,1>();
    b_map(0) = 3;
    input.emplace_back(std::string("a"), a);
    input.emplace_back(std::string("b"), b);

//   运行模型，并获取输出
    std::vector<tensorflow::Tensor> answer;
    status = session->Run(input, {"res"}, {}, &answer);

    Tensor result = answer[0];
    auto result_map = result.tensor<int,1>();
    cout<<"result: "<<result_map(0)<<endl;

    return 0;
}

使用tensorflow c++ API读入预先训练的模型的大体的流程就是这样 ，复杂的模型，可能会需要构造更加复杂的输入和输出，读入部分一样。

编译和运行

代码写了，最后一步就是编译和运行了。在这里我采用的是bazel进行编译运行，这里需要写一个BUILD文件，内容如下：

cc_binary(
    name = "demo",#目标文件名
    srcs = ["demo.cc"],#源代码文件名
    deps = [
        "//tensorflow/cc:cc_ops",
        "//tensorflow/cc:client_session",
        "//tensorflow/core:tensorflow"
        ],
)

然后将代码，BUILD文件一起放在我们下载下来的tensorflow的源码的tensorflow/tensorflow/demo目录下,demo目录为自己新建的。执行如下命令进行编译运行：

bazel build -c opt --copt=-mavx --copt="-ggdb" --copt="-g3" demo/...

经过漫长的编译过程，大概30分钟。会在tensorflow/bazel-bin/tensorflow/demo生成可执行文件demo,之后将我们预先训练好的模型放入相同的目录，运行即可，下面是运行结果：

result: 7

总结

整个tensorflow线下使用python训练深度学习模型，然后线上使用c++调用预先训练好的模型完成预测的流程，基本介绍完了。从这个过程可以看出tensorflow的强大之处，开发者在开发之处考虑到了落地工业界，提供了这样一套线上和线下打通的流程，十分方便。

上一篇下一篇

猜你喜欢

热点阅读