Python 如何在TF Lite中添加预处理步骤

我使用简单的虹膜数据，它有4个特征。我想在进入网络之前做一些预处理。例如，我希望我的NN只接收3个特征，它们是两个连续原始特征的平均值

# x shape is 120 data x 4 features
tmp = np.zeros((x.shape[0],x.shape[1]-1))
for i in range(x.shape[1]-1):
    tmp[:,i] = (x[:,i]+x[:,i+1])/2.
x = deepcopy(tmp) # after preprocess its shape 120 x 3 features

我尝试在

input\u函数中添加这些步骤，并将所有
feature\u列的定义更改为3：

def input_function(x, y, is_train):

    tmp = np.zeros((x.shape[0],x.shape[1]-1))
    for i in range(x.shape[1]-1):
        tmp[:,i] = (x[:,i]+x[:,i+1])/2.
    x = deepcopy(tmp)

    dict_x = { "thisisinput" : x }

    dataset = tf.data.Dataset.from_tensor_slices((
        dict_x, y
    ))

    if is_train:
        dataset = dataset.shuffle(num_train).repeat(num_epoch).batch(num_train)
    else:   
        dataset = dataset.batch(num_test)

    return dataset

我训练分类器的方式：

feature_columns = [
    tf.feature_column.numeric_column(key="featurename",shape=3),
]

classifier = tf.estimator.DNNClassifier(
    feature_columns=feature_columns,
    hidden_units=[50, 20],
    n_classes=3,
    optimizer=tf.train.GradientDescentOptimizer(0.001),
    activation_fn=tf.nn.relu,
    model_dir = 'modeliris2/'
)

classifier.train(
    input_fn=lambda:input_function(xtrain, ytrain, True)
)

我的服务输入功能：

def my_serving_input_fn2():
    input_data = {
        "featurename" : tf.placeholder(tf.float32, [None, 3], name='inputtensors')
    }
    return tf.estimator.export.ServingInputReceiver(input_data, input_data)

当我运行它时，它工作，但如果我冻结模型，然后用它来预测，它就不工作了。它说：

ValueError:无法为具有形状“（？，3）”的张量“导入/输入传感器：0”馈送形状（1，4）的值

如果我将
my\u service\u input\u fn上的
feature\u columns
更改为[None，4]，则冻结模型后仍会出现错误：

InvalidArgumentError（回溯见上文）：重塑的输入是一个具有4个值的张量，但请求的形状具有3个值

我的问题是，如果我需要在我的模型中包含任何预处理或特征工程步骤（如信号预处理中的MFCC等），我应该将其放在哪里？我的方法正确吗？为什么会发生错误？还是有更好的解决方案

还有一个问题，如果在预处理步骤中需要包含外部文件（如文本预处理中的stopwords列表等），是否仍然可以包含这些文件以使用TF lite进行预处理？
在这种情况下，预处理是在python中进行的。因此，如果在python中调用TF Lite图，您将能够使用任何python原语。
从技术上讲，您可以将预处理步骤放在两个地方。我将使用
tflite
作为示例

在模型外部进行预处理。这意味着您的驱动程序中有一个mfcc：

model = new model(CNN, RNN, ...)
while(stream) {
   energy = mfcc(audio)
   model.invoke(energy)
}


如果预处理步骤已经是Op（通常不是…），则可以在模型中包含Op：

model = new model(MFCC, CNN, RNN, ...)
while(stream) {
    model.invoke(audio)
}


尽管如此，选择1是最容易接近的。希望能有帮助