▶ TensoeFlow 和 TensorRT 調試的一些方法，用於輸出中間層的情況方便觀察
● Tensorflow 中的方法
1 sess = tf.Session() # 新開會話用於調試 2 sess.run(tf.global_variables_initializer()) 3 temp = sess.run(h1,feed_dict = {'input:0':X}) # 獲取指定節點，並給輸入節點喂進數據 4 16 print(i, "-shape: ", np.shape(temp)) 5 17 print(temp) 6 18 sess.close()
● Keras 中的兩種方法
1 from keras.models import Model 2 from keras import backend as K 3 4 ... # 建圖 5 model = Model(inputs=x, outputs=y) 6 7 i = 1 # 指定需要輸出的中間層序號（0 為 輸入層） 8 kFun = K.function([model.layers[0].input],[model.layers[i].output]) # 建立 K.function 用來提取中間層輸出，后面喂上輸入數據 9 temp = kFun(X) # 喂進指定層輸入數據，獲取指定層輸出 10 print(i, "-shape: ", np.shape(temp)) # NHWC 格式 11 print(temp) 12 13 sess = tf.Session() # 另方法，用 tensorflow 的接口 14 sess.run(tf.global_variables_initializer()) 15 temp = sess.run(model.layers[i].output,feed_dict = {'input:0':X}) # 獲取指定層輸出 16 print(i, "-shape: ", np.shape(temp)) 17 print(temp) 18 sess.close()
● TensorRT 中的調試方法
1 h1 = network.add_ ... 2 print(h1.get_output(0).shape) # 查看該節點的一些屬性 3 4 # 舉栗，tensorrt.tensorrt.IConvolutionLayer 對象（add_convolution 層的返回值）的屬性： 5 bias # numpy.ndarray，偏置值（尺寸等於輸出特征數） 6 dilation # numpy.ndarray，擴張量？ 7 get_input 8 get_output 9 get_output_type 10 kernel # numpy.ndarray，卷積窗口權重 11 kernel_size # tensorrt.tensorrt.DimsHW，卷積窗口尺寸 12 name # str，節點名 13 num_groups 14 num_inputs 15 num_output_maps 16 num_outputs 17 output_type_is_set 18 padding # numpy.ndarray，被卷積對象光環厚度，左右統一設置，上下統一設置 19 padding_mode # tensorrt.tensorrt.PaddingMode， 20 post_padding # numpy.ndarray，被卷積對象右下角光環厚度 21 pre_padding # numpy.ndarray，被卷積對象左上角光環厚度 22 precision # tensorrt.tensorrt.DataType，數據類型 23 precision_is_set # bool，是否改變了默認數據類型？ 24 reset_output_type # bound method PyCapsule.reset_output_type of <tensorrt.tensorrt.IConvolutionLayer> 25 reset_precision 26 set_output_type 27 stride # tensorrt.tensorrt.DimsHW，卷積跨步 28 type # tensorrt.tensorrt.LayerType，節點類型 29 30 31 network.mark_output(h1.get_output(0)) # 另方法，調整模型的輸出節點，使得模型輸出就是想要調試的節點