C++部署TensorFlow模型

    安装好C++版的TensorFlow之后,我们就可以用C++来部署python训练好的TensorFlow模型了。安装C++版的TensorFlow的教程可以参考这里。部署TensorFlow模型主要分为两步,第一步是用python训练模型,然后保存模型为.pb格式的二进制文件;第二步则是在C++中加载python保存的模型并进行预测。

1、python训练模型并保存

2、使用C++加载python训练好的模型并进行预测


1、python训练模型并保存

    这里我们以mnist数据集为例,训练一个三层的多层感知机对手写数字图片进行识别,具体的训练代码如下:

#coding=utf-8
import pickle
import numpy as np
import tensorflow as tf
import time 
import os
from tensorflow.python.framework.graph_util import convert_variables_to_constants

# 定义一个mnist数据集的类
class mnistReader():  
    def __init__(self, mnistPath, onehot = True):  
        self.mnistPath = mnistPath
        self.onehot = onehot  
        self.batch_index = 0
        print ('read:',self.mnistPath)
        fo = open(self.mnistPath, 'rb')
        self.train_set,self.valid_set,self.test_set = pickle.load(fo, encoding='bytes')
        fo.close()        
        self.data_label_train = list(zip(self.train_set[0], self.train_set[1]))
        np.random.shuffle(self.data_label_train)       
               

    # 获取下一个训练集的batch
    def next_train_batch(self, batch_size = 100):
        if self.batch_index < len(self.data_label_train)/batch_size:  
            print ("batch_index:",self.batch_index )
            datum = self.data_label_train[self.batch_index*batch_size:(self.batch_index+1)*batch_size]  
            self.batch_index+=1  
            return self._decode(datum, self.onehot)  
        else:  
            self.batch_index=0  
            np.random.shuffle(self.data_label_train)  
            datum=self.data_label_train[self.batch_index*batch_size:(self.batch_index+1)*batch_size]  
            self.batch_index+=1  
            return self._decode(datum,self.onehot)          
    
    # 获取测试集的数据
    def test_data(self):
        tdata, tlabel = self.test_set
        data_label_test=list(zip(tdata,tlabel))
        return self._decode(data_label_test,self.onehot)
    
    
    # 把一个batch的训练数据转换为可以放入模型训练的数据 
    def _decode(self, datum, onehot):  
        rdata=list()                 
        rlabel=list()  
        if onehot:  
            for d,l in datum:   
                img = np.reshape(d, (28,28))
                img = np.expand_dims(img, 2)           
                rdata.append(img) 
                hot = np.zeros(10)    
                hot[int(l)] = 1                   
                rlabel.append(hot)  
        else:  
            for d,l in datum:  
                img = np.reshape(d, (28,28))                
                img = np.expand_dims(img,2)            
                rdata.append(img)
                rlabel.append(int(l))  
        return rdata,rlabel  


#多层感知机模型(只有一个隐藏层)
def multi_perceptron():      
    batch_size = 100                              # batch大小
    height = 28                                   # 图片高度
    width = 28                                    # 图片宽度
    channel = 1                                   # 图片通道数
    in_units = 784                                # 多层感知机的输入
    h1_units=300                                  # MLP隐藏层的输出节点数
    mnist_path = "E:/testdata/mnist.pkl"          # mnist数据集路径
    save_path = "./output"                        #保存模型的路径

    images = tf.placeholder(tf.float32, shape = [None, height, width, channel],name = "images")
    labels =  tf.placeholder(tf.float32,[None, 10], name = "labels")

    w1=tf.Variable(tf.truncated_normal([i
  • 10
    点赞
  • 90
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值