MxNet 模型轉Tensorflow pb模型

用mmdnn實現模型轉換

參考鏈接：https://www.twblogs.net/a/5ca4cadbbd9eee5b1a0713af

1. 安裝mmdnn

   pip install mmdnn

    

2. 准備好mxnet模型的.json文件和.params文件, 以InsightFace MxNet r50為例        https://github.com/deepinsight/insightface
3. 用mmdnn運行命令行

   python -m mmdnn.conversion._script.convertToIR -f mxnet -n model-symbol.json -w model-0000.params -d resnet50 --inputShape 3,112,112 

    

   　會生成resnet50.json(可視化文件) resnet50.npy(權重參數) resnet50.pb(網絡結構)三個文件。

4. 用mmdnn運行命令行

   python -m mmdnn.conversion._script.IRToCode -f tensorflow --IRModelPath resnet50.pb --IRWeightPath resnet50.npy --dstModelPath tf_resnet50.py 

    

   　生成tf_resnet50.py文件，可以調用tf_resnet50.py中的KitModel函數加載npy權重參數重新生成原網絡框架。

5. 打開tf_resnet.py文件，修改load_weights()中的代碼 （tensorflow=1.14.0報錯）　

    try:
           weights_dict = np.load(weight_file).item()
       except:
           weights_dict = np.load(weight_file, encoding='bytes').item()

   改為

    try:
           weights_dict = np.load(weight_file, allow_pickle=True).item()
   except:
           weights_dict = np.load(weight_file, allow_pickle=True, encoding='bytes').item()

    

6. 基於resnet50.npy和tf_resnet50.py文​​件，固化參數，生成PB文件：

   import tensorflow as tf
   import tf_resnet50 as tf_fun
   def netWork():
       model=tf_fun.KitModel("./resnet50.npy")
       return model
   def freeze_graph(output_graph):
       output_node_names = "output"
       data,fc1=netWork()
       fc1=tf.identity(fc1,name="output")
   
       graph = tf.get_default_graph()  # 獲得默認的圖
       input_graph_def = graph.as_graph_def()  # 返回一個序列化的圖代表當前的圖
       init = tf.global_variables_initializer()
       with tf.Session() as sess:
           sess.run(init)
           output_graph_def = tf.graph_util.convert_variables_to_constants(  # 模型持久化，將變量值固定
               sess=sess,
               input_graph_def=input_graph_def,  # 等於:sess.graph_def
               output_node_names=output_node_names.split(","))  # 如果有多個輸出節點，以逗號隔開
   
           with tf.gfile.GFile(output_graph, "wb") as f:  # 保存模型
               f.write(output_graph_def.SerializeToString())  # 序列化輸出
   
   if __name__ == '__main__':
       freeze_graph("frozen_insightface_r50.pb")
       print("finish!")

    

7. 采用tensorflow的post-train quantization離線量化方法（有一定的精度損失）轉換成tflite模型，從而完成端側的模型部署：

   import tensorflow as tf
   
   convert=tf.lite.TFLiteConverter.from_frozen_graph("frozen_insightface_r50.pb",input_arrays=["data"],output_arrays=["output"],
                                                     input_shapes={"data":[1,112,112,3]})
   convert.post_training_quantize=True
   tflite_model=convert.convert()
   open("quantized_insightface_r50.tflite","wb").write(tflite_model)
   print("finish!")