国内精品一区二区,色噜噜视频在线观看,毛片网站大全

前言

TensorFlow是Google開源的一款人工智能學習系統。為什么叫這個名字呢？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。

訓練了很久的Tf模型，終于要到生產環境中去考研一番了。今天花費了一些時間去研究tf的模型如何在生產環境中去使用。大概整理了這些方法。

繼續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;

									}

									}