我有一個有很多 conv2d 層的模型。我將模型轉換為 Tflite 模型。轉換后我得到單個 conv2d 的權重。重量的形狀看起來像這樣# codew2 = get_variable(interpreter, 1)print(w2.shape)# output(16, 3, 3, 3)w2 是我從 tflite 模型獲得的 conv2d 層的權重。# looking at weightstf.constant(w2)# out<tf.Tensor: shape=(16, 3, 3, 3), dtype=float32, numpy=array([[[[-0.09935276, 0.02673087, 0.01329462], [-0.15000243, 0.12058315, 0.06234892], [-0.04185663, -0.11198951, -0.02449715]], [[-0.01043741, 0.00516671, -0.04251045], [ 0.09123346, -0.18056516, -0.15848799], [ 0.13060766, -0.07997198, -0.01930575]], [[-0.03572255, -0.01315425, 0.08955526], [ 0.16559589, 0.03411882, 0.0018566 ], [-0.14274003, 0.1362513 , 0.02790332]]], [[[-0.18470907, -0.08563003, -0.1520263 ], [-0.04288448, -0.18342438, -0.15801121], [-0.03374813, 0.06371641, 0.03502055]],現在是我使用命令 model.weights 從模型文件中獲得的權重。# codemodel_layer = model.get_layer(index = 1)model_layer.weights[0]# out<tf.Variable 'conv2d/kernel:0' shape=(3, 3, 3, 16) dtype=float32, numpy=array([[[[-0.09935276, -0.18470907, -0.16035978, -0.00957598, 0.12404141, 0.09072036, 0.08940545, 0.16788253, -0.09028493, -0.07161955, 0.05057701, 0.00413197, 0.12936822, 0.13274643, -0.11566465, 0.06050111], [ 0.02673087, -0.08563003, 0.15529695, -0.16517243, 0.09419081, 0.03450985, 0.05399269, 0.06663677, -0.1096884 , 0.11150008, -0.14434202, 0.08073789, -0.00857992, 0.17634535, -0.1686475 , -0.02407928], [ 0.01329462, -0.1520263 , -0.16246322, -0.06716946, 0.18214822, -0.13206367, -0.05873053, 0.13359356, 0.13813934, -0.05382906, 0.1032899 , 0.03165779,我想要的是轉換權重 w2 以便將其分配給我的圖層的正確方法。
1 回答
慕桂英4014372
TA貢獻1871條經驗 獲得超13個贊
出于優化原因，TFlite 更改了 Conv2D 權重形狀。我無法在文檔中找到它，但在這里，在最后一條評論中，他們解釋了“標準”和“精簡版”張量流形狀實現之間的區別：
在標準張量流中，Conv2D 權重形狀是 HWIO，意思是(filter_height, filter_width, input_channels, output_channels).
TFlite 實現是 OHWI，意思是(output_channels, filter_height, filter_width, input_channels).
為了解決您的問題，我們需要重新排序軸。直觀地從 OHWI 轉到 HWIO 我們只需要將“O”從 OHWI 移動到最后一個索引（3），其余軸應該轉到較低的索引：
Index: 0 1 2 3
O H W I
Reordering axes we have
New index: 1 2 3 0
H W I O
為此，我們可以使用tf.transposebut 指定我們希望如何交換軸，正如剛才討論的那樣：
tf.transpose(tf.constant(w2), (1,2,3,0) )
添加回答
舉報
0/150
提交
取消