keras提取模型中的某一层_keras 模型部署到c++应用中

在实际应用中，我们常常使用利用keras的便捷性进行训练，而生产环境往往是c++语言的环境，于是，我们使用keras训练模型，再用tensorflow载入模型，做正向计算，得到结果。

具体的流程为：keras训练模型 --> model.h5 --> 转换成.pb文件 --> tensorflow 载入.pb 验证正确性 --> tensorflow c++ api调用 .pb文件

首先，配置环境

需要安装的工具有:

Protobuf 此google三方工具的版本和tensorflow密切相关，版本不兼容时，tensorflow无法正常运行，另外，protobuf的最大变量允许值为2G（INT_MAX），进过本人测试，其实最多为大于1G就会报错，所以.pb的模型文件大于1G时，无法载入。具体编译安装步骤不再赘述

Eigen，这是一个C++端的矩阵运算库，只要下载解压即可

bazel，需要用次工具对tensorflow进行编译

Tensorflow ，下载并编译其源码

下面是一个演示demo

demo中使用到opencv库，于是需要先编译安装opencv库，编译过程中或许会遇到一些问题，网上都有教程，比较难解决的是关于本机环境中zlib和libpng库和anaconda中的冲突，只要卸载掉anaconda中的库就行正常运行

Keras 训练分类模型并存储为5_trained_model.h5

def load_cifar10(num_training = 49000, num_validation=1000, num_test=10000):
    cifar10 = tf.keras.datasets.cifar10.load_data()
    (X_train, y_train), (X_test, y_test) = cifar10
    X_train = np.asarray(X_train, dtype=np.float32)
    y_train = np.asarray(y_train, dtype=np.int32).flatten()
    X_test = np.asarray(X_test, dtype=np.float32)
    y_test = np.asarray(y_test, dtype=np.int32).flatten()
    
    mask = range(num_training, num_training + num_validation)
    X_val = X_train[mask]
    y_val = y_train[mask]
    mask = range(num_training)
    X_train = X_train[mask]
    y_train = y_train[mask]
    mask = range(num_test)
    X_test = X_test[mask]
    y_test = y_test[mask]
    
    # Normalize the data
    mean_pixel = X_train.mean(axis=(0,1,2), keepdims=True)
    std_pixel = X_train.std(axis=(0,1,2), keepdims=True)
    X_train = (X_train - mean_pixel) / std_pixel
    X_val = (X_val - mean_pixel) / std_pixel
    X_test = (X_test - mean_pixel) / std_pixel
    
    return X_train, y_train, X_val, y_val, X_test, y_test

def model(input_shape):
    
    X_input = Input(shape=input_shape)
    
    X = Conv2D(64, kernel_size=3,strides=1, padding="same", use_bias=True)(X_input)
    X = BatchNormalization()(X)
    X = Activation('relu')(X)
    MaxPooling2D(pool_size=2, strides = 2, padding='valid')
    
    X =  Conv2D(64, kernel_size=3,strides=1, padding="same", use_bias=True)(X)
    X =  Flatten()(X)
    X = BatchNormalization(