这些天来,我试图追踪一个错误,关于部署一个有TPU支持的TF模型。在
我可以在没有TPU支持的情况下运行一个模型,但是一旦启用量化,我就迷失了方向。在
我的情况如下:
最后一点,我使用了tflitecoverter的pythonapi。生成功能性tflite模型的脚本是
import tensorflow as tf
graph_def_file = 'frozen_model.pb'
inputs = ['dense_input']
outputs = ['dense/BiasAdd']
converter = tf.lite.TFLiteConverter.from_frozen_graph(graph_def_file, inputs, outputs)
converter.inference_type = tf.lite.constants.FLOAT
input_arrays = converter.get_input_arrays()
converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]
tflite_model = converter.convert()
open('model.tflite', 'wb').write(tflite_model)
这告诉我,到目前为止,我的方法似乎还可以。现在,如果我想利用珊瑚TPU棒,我必须量化我的模型(我在训练中考虑了这一点)。我要做的就是修改我的转换器脚本。我想我得把它改成
^{pr2}$这个tflite模型在加载解释器的pythonapi时会产生结果,但我无法理解它们的含义。此外,对于如何选择平均值、标准偏差和最小/最大范围,也没有(或者如果有,则隐藏得很好)文档。此外,在用EdGePuxEng编译器编译它并部署它(用C++ API加载)之后,我收到一个错误:
INFO: Initialized TensorFlow Lite runtime.
ERROR: Failed to prepare for TPU. generic::failed_precondition: Custom op already assigned to a different TPU.
ERROR: Node number 0 (edgetpu-custom-op) failed to prepare.
Segmentation fault
我想我在转换过程中漏掉了一个标志什么的。但由于这里也缺少文件,我不能肯定。在
简而言之:
我很感激任何帮助或指导!在
编辑:我用完整的测试代码打开了一个github issue。随便玩玩这个。在
你永远不需要手动设置量化统计。在
你试过培训后量化教程吗?在
https://www.tensorflow.org/lite/performance/post_training_integer_quant
基本上,它们设置量化选项:
然后他们将“代表性数据集”传递给转换器,以便转换器可以运行模型几批以收集必要的统计信息:
^{pr2}$虽然有量化训练的选择,但训练后量化总是更容易。在
相关问题 更多 >
编程相关推荐