怎么使用C#將Tensorflow訓練的.pb文件用在生產環境

這篇文章主要介紹怎么使用C#將Tensorflow訓練的.pb文件用在生產環境，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

TensorFlow是Google開源的一款人工智能學習系統。Tensor的意思是張量，代表N維數組；Flow的意思是流，代表基于數據流圖的計算。把N維數字從流圖的一端流動到另一端的過程，就是人工智能神經網絡進行分析和處理的過程。

怎么使用C#將Tensorflow訓練的.pb文件用在生產環境

使用分步驟保存了的ckpt文件

這個貌似脫離不了tensorflow框架，而且生成的ckpt文件比較大，發布到生產環境的時候，還得把python的算法文件一起搞上去，如何和其他程序交互，可能還得自己去寫服務。估計很少有人這么做，貌似性能也很一般。

使用tensorflow Serving

tf Serving貌似是大家都比較推崇的方法。需要編譯tfServing，然后把模型導出來。直接執行tf Serving的進程，就可以對外提供服務了。具體調用的時候，還得自己寫客戶端，使用人gRPC去調用Serving，然后再對外提供服務，聽上去比較麻煩。而且我今天沒太多的時間去研究gRPC，網絡上關于客戶端很多都是用python寫的，我感覺自己的python水平比較菜，沒信心能寫好。所以這個方式就先沒研究。

生產.pb文件，然后寫程序去調用.pb文件

生成了.pb文件以后，就可以被程序去直接調用，傳入參數，然后就可以傳出來參數，而且生成的.pb文件非常的小。而我又有比較豐富的.net開發經驗。在想，是否可以用C#來解析.pb文件，然后做一個.net core的對外服務的API，這樣貌似更加高效，關鍵是自己熟悉這款的開發，不用花費太多的時間去摸索。、

具體的思路

使用.net下面的TensorFlow框架tensorflowSharp（貌似還是沒脫離了框架）.去調用pb文件，然后做成.net core web API 對外提供服務。

具體的實現

直接上代碼，非常簡單，本身設計到tensorflowsharp的地方非常的少

var graph = new TFGraph();
//重點是下面的這句，把訓練好的pb文件給讀出來字節，然后導入
var model = File.ReadAllBytes(model_file);
graph.Import(model);

Console.WriteLine("請輸入一個圖片的地址");
var src = Console.ReadLine();
var tensor = ImageUtil.CreateTensorFromImageFile(src);

using (var sess = new TFSession(graph))
{
var runner = sess.GetRunner();
runner.AddInput(graph["Cast_1"][0], tensor);
var r = runner.Run(graph.softmax(graph["softmax_linear/softmax_linear"][0]));
var v = (float[,])r.GetValue();
Console.WriteLine(v[0,0]);
Console.WriteLine(v[0, 1]);
}

ImageUtil這個類庫是tensorflowSharp官方的例子中一個把圖片轉成tensor的類庫，我直接copy過來了，根據我的網絡，修改了幾個參數。

public static class ImageUtil
{
public static TFTensor CreateTensorFromImageFile(byte[] contents, TFDataType destinationDataType = TFDataType.Float)
{
var tensor = TFTensor.CreateString(contents);

TFOutput input, output;

// Construct a graph to normalize the image
using (var graph = ConstructGraphToNormalizeImage(out input, out output, destinationDataType))
{
// Execute that graph to normalize this one image
using (var session = new TFSession(graph))
{
var normalized = session.Run(
inputs: new[] { input },
inputValues: new[] { tensor },
outputs: new[] { output });

return normalized[0];
}
}
}
// Convert the image in filename to a Tensor suitable as input to the Inception model.
public static TFTensor CreateTensorFromImageFile(string file, TFDataType destinationDataType = TFDataType.Float)
{
var contents = File.ReadAllBytes(file);

// DecodeJpeg uses a scalar String-valued tensor as input.
var tensor = TFTensor.CreateString(contents);

TFOutput input, output;

// Construct a graph to normalize the image
using (var graph = ConstructGraphToNormalizeImage(out input, out output, destinationDataType))
{
// Execute that graph to normalize this one image
using (var session = new TFSession(graph))
{
var normalized = session.Run(
inputs: new[] { input },
inputValues: new[] { tensor },
outputs: new[] { output });

return normalized[0];
}
}
}

// The inception model takes as input the image described by a Tensor in a very
// specific normalized format (a particular image size, shape of the input tensor,
// normalized pixel values etc.).
//
// This function constructs a graph of TensorFlow operations which takes as
// input a JPEG-encoded string and returns a tensor suitable as input to the
// inception model.
private static TFGraph ConstructGraphToNormalizeImage(out TFOutput input, out TFOutput output, TFDataType destinationDataType = TFDataType.Float)
{
// Some constants specific to the pre-trained model at:
// https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip
//
// - The model was trained after with images scaled to 224x224 pixels.
// - The colors, represented as R, G, B in 1-byte each were converted to
// float using (value - Mean)/Scale.

const int W = 128;
const int H = 128;
const float Mean = 0;
const float Scale = 1f;

var graph = new TFGraph();
input = graph.Placeholder(TFDataType.String);

output = graph.Cast(
graph.Div(x: graph.Sub(x: graph.ResizeBilinear(images: graph.ExpandDims(input: graph.Cast(graph.DecodeJpeg(contents: input, channels: 3), DstT: TFDataType.Float),
dim: graph.Const(0, "make_batch")),
size: graph.Const(new int[] { W, H }, "size")),
y: graph.Const(Mean, "mean")),
y: graph.Const(Scale, "scale")), destinationDataType);

return graph;
}
}

以上是“怎么使用C#將Tensorflow訓練的.pb文件用在生產環境”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！