Apple今年在iOS11上推出了Core ML。有一個Core ML Tool將訓練有素的模型轉換爲Core ML格式（.mlmodel）。如何使用Tensorflow將訓練有素的模型轉換爲Core ML

是否有可能使用Tensorflow轉換Core ML模型？怎麼樣？

2017-06-15 WeiJay

您可以通過keras訓練模型。

coreml_model = coremltools.converters.keras.convert('./Any.h5', 
               input_names='image', 
               image_input_names='image', 
               output_names='output', 
               class_labels=['1', '2'], 
               image_scale=1/255) 
coreml_model.save('abc.mlmodel')

.h5可以容易地通過創建「順序」

來源

2017-11-22 07:04:42

不，這是不可能的。主要是因爲在保存模型時沒有所有NN框架應該遵守的格式。

那麼可能是你將需要重建的計算中TF和火車模型

來源

2017-06-15 03:03:41

根據該文件（至少目前）你需要編寫自己： https://developer.apple.com/documentation/coreml/converting_trained_models_to_core_ml#2903105

來源

2017-08-15 23:28:14 RyanColorado

是，如果您的機器學習模型採用以下格式之一： Caffe，Keras，XGBoost，Scikit-learn，MXNet，LibSVM。在Awesome Core ML上有關於它們的教程和例子。

尚未支持Tensorflow的直接轉換，但您可以使用帶有TF的Caffe體系結構使其正常工作。

來源

2017-09-11 08:38:05 Thywis

Keras

是一個高層次的神經網絡API，寫在Python和能夠在TensorFlow，CNTK，或Theano之上運行的。

目前，coremltools 0.7可以的 Keras (1.2.2, 2.0.4+) with Tensorflow (1.0.x, 1.1.x)

# Make a Keras model 
>>> model = Sequential() 
>>> model.add(Dense(num_channels, input_dim = input_dim)) 

# Convert it with default input and output names 
>>> import coremltools 
>>> coreml_model = coremltools.converters.keras.convert(model) 

# Saving the Core ML model to a file. 
>>> coreml_model.save('my_model.mlmodel')

模型轉換，您可以看看我的項目here

來源

2017-12-06 01:49:45 WeiJay

可以某些共同Tensorflow模型轉換爲CoreML與包。截至撰寫本文時（1月16日），這仍然是相當新的。它看起來是由一對蘋果工程師創建的。

概述

根據他們的例子，你先用tensorflow.python.tools.freeze_graph凍結你的TF模型，然後使用tfcoreml.convert方法來生成CoreML對象。

例

引述one of their examples，

""" 
Step 1: "Freeze" your tensorflow model - convert your TF model into a 
stand-alone graph definition file 
Inputs: 
(1) TensorFlow code 
(2) trained weights in a checkpoint file 
(3) The output tensors' name you want to use in inference 
(4) [Optional] Input tensors' name to TF model 
Outputs: 
(1) A frozen TensorFlow GraphDef, with trained weights frozen into it 
""" 

# Provide these to run freeze_graph: 
# Graph definition file, stored as protobuf TEXT 
graph_def_file = './model.pbtxt' 
# Trained model's checkpoint name 
checkpoint_file = './checkpoints/model.ckpt' 
# Frozen model's output name 
frozen_model_file = './frozen_model.pb' 
# Output nodes. If there're multiple output ops, use comma separated string, e.g. "out1,out2". 
output_node_names = 'Softmax' 


# Call freeze graph 
freeze_graph(input_graph=graph_def_file, 
      input_saver="", 
      input_binary=False, 
      input_checkpoint=checkpoint_file, 
      output_node_names=output_node_names, 
      restore_op_name="save/restore_all", 
      filename_tensor_name="save/Const:0", 
      output_graph=frozen_model_file, 
      clear_devices=True, 
      initializer_nodes="") 

""" 
Step 2: Call converter 
""" 

# Provide these inputs in addition to inputs in Step 1 
# A dictionary of input tensors' name and shape (with batch) 
input_tensor_shapes = {"Placeholder:0":[1,784]} # batch size is 1 
# Output CoreML model path 
coreml_model_file = './model.mlmodel' 
output_tensor_names = ['Softmax:0'] 


# Call the converter 
coreml_model = tfcoreml.convert(
     tf_model_path=frozen_model_file, 
     mlmodel_path=coreml_model_file, 
     input_name_shape_dict=input_tensor_shapes, 
     output_feature_names=output_tensor_names)

來源

2018-01-16 18:24:08

雖然此鏈接可以回答這個問題，最好是在這裏有答案的主要部件，並提供鏈接以供參考。如果鏈接頁面更改，則僅鏈接答案可能會失效。 - [來自評論]（/ review/low-quality-posts/18535009） – MarqueIV

如何使用Tensorflow將訓練有素的模型轉換爲Core ML

回答

​​

概述

例

相關問題