二元分类中的张量流精简负面预测

Question

我基本上是希望通过pyinstaller来准备我的模型。并且由于打包tensorflow导致最终的可执行文件大小约为500mbs。我求助于使用tensorflow lite。

现在的问题是，当我将模型转换为tflite（量化或非量化）时，它会为我输入的任何图像提供以下输出。

array([[-1.3749948e+23]], dtype=float32)

以下是我的模型转换代码

import tensorflow as tf

m = load_model("weights.best.hdf5")
converter = tf.lite.TFLiteConverter.from_keras_model(m)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_quant_model = converter.convert()

下面是测试tflite模型的代码。

import tflite_runtime.interpreter as tflite
interpreter = tf.lite.Interpreter(model_content=tflite_quant_model)
interpreter.allocate_tensors()
inputdets = interpreter.get_input_details()
outputdets = interpreter.get_output_details()

import imageio
import cv2
import numpy as np
img = imageio.imread("1 (162).jpg")/256.0

final = cv2.resize(img,(150,150))
input_data = np.array([final],dtype=np.float32)
interpreter.set_tensor(inputdets[0]['index'], input_data)
interpreter.get_tensor(outputdets[0]['index']) 

keras模型的输出

数组（[[0.9934516]]，dtype=float32）

tflite模型的输出

数组（[[-1.3749948e 23]]，数据类型=float32）

附加信息

在keras上训练时的模型精度

98%

输入详情

[{'dtype': numpy.float32,
  'index': 0,
  'name': 'input_3',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
   'scales': array([], dtype=float32),
   'zero_points': array([], dtype=int32)},
  'shape': array([  1, 150, 150,   3], dtype=int32),
  'shape_signature': array([  1, 150, 150,   3], dtype=int32),
  'sparsity_parameters': {}}]

输出细节

[{'dtype': numpy.float32,
  'index': 21,
  'name': 'Identity',
  'quantization': (0.0, 0),
  'quantization_parameters': {'quantized_dimension': 0,
   'scales': array([], dtype=float32),
   'zero_points': array([], dtype=int32)},
  'shape': array([1, 1], dtype=int32),
  'shape_signature': array([1, 1], dtype=int32),
  'sparsity_parameters': {}}]

Answer 1

在读取结果之前，您需要运行解释器.invoke（）。https://www.tensorflow.org/lite/guide/inference#load_and_run_a_model_in_python

按如下方式更新代码：

...
...
interpreter.set_tensor(inputdets[0]['index'], input_data)
interpreter.invoke()
result = interpreter.get_tensor(outputdets[0]['index']) 
..
..