将Tensorflow模型转换为Caffe模型

我希望能够将Tensorflow模型转换为Caffe模型

我在谷歌上搜索，但我只能找到从caffe到tensorflow的转换器，而不是相反的转换器

有人知道怎么做吗

谢谢，

---

Evi

正如@Patwie在评论中所建议的那样，您必须通过逐层复制权重来手动执行此操作。例如，要将第一个conv层权重从tensorflow检查点复制到caffemodel，必须执行以下操作：

sess = tf.Session()
new_saver = tf.train.import_meta_graph("/path/to/checkpoint.meta")
what = new_saver.restore(sess, "/path/to/checkpoint")

all_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)

conv1 = all_vars[0]
bias1 = all_vars[1]

conv_w1, bias_1 = sess.run([conv1,bias1])

net = caffe.Net('path/to/conv.prototxt', caffe.TEST)

net.params['conv_1'][0].data[...] = conv_w1
net.params['conv_1'][1].data[...] = bias_1

...

net.save('modelfromtf.caffemodel')

注1：此代码未经测试。我不确定这是否可行，但我认为应该。此外，这仅适用于一个conv层。实际上，您必须首先分析tensorflow检查点，以检查哪些层的权重位于哪个索引（打印所有变量），然后分别复制每个层的权重

注2：一些自动化可以通过迭代初始conv层来完成，因为它们通常遵循一个设置模式（conv1->bn1->relu1->conv2->bn2->relu2…）

---

注3:Tensorflow可进一步将各层权重划分为单独的指数。例如：如上所示，conv层的权重和偏差是分开的。此外，对于批次归一化层，gamma、均值和方差是分开的。

我也遇到了同样的问题，并找到了解决方案。代码可以在这里找到（），我也在一些Youtube视频中记录了代码

---

包括在Caffe和中创建的体系结构（TensorFlow的更高级别API，对本机TensorFlow的代码进行一些更改也可以）

---

在将TensorFlow模型中的权重和偏差导出到numpy文件中的过程中进行了描述。在tflearn中，可以获得如下图层的权重：

#get parameters of a certain layer
conv2d_vars = tflearn.variables.get_layer_variables_by_name(layer_name)
#get weights out of the parameters
weights = model.get_weights(conv2d_vars[0])
#get biases out of the parameters
biases = model.get_weights(conv2d_vars[1])

对于卷积层，层名称为

Conv\u2d

。完全连接的层称为

FullyConnected

。如果您使用某一类型的多个图层，则会使用前面带有下划线的提升整数（例如，第二个conv图层称为

conv_2D_1

）。我在张力板的图表中找到了这些名字。如果在体系结构定义中命名层，则这些层名称可能会更改为您定义的名称

在本机TensorFlow中，导出将需要不同的代码，但参数的格式应相同，因此后续步骤仍应适用

---

涵盖实际转换。创建CAFEMODEL时，最关键的是权重的转换（偏差可以在不改变的情况下进行）。TensorFlow和Caffe在保存过滤器时使用不同的格式。TensorFlow使用

[高度、宽度、深度、过滤器数量]

（），而Caffe使用

[过滤器数量、深度、高度、宽度]

（）。要在格式之间转换，您可以使用

转置

功能（例如：

weights\u of_first\u conv\u layer.transpose（（3,2,0,1））

。通过枚举TensorFlow格式（原点），然后将其切换为Caffe格式（目标格式），可以获得3,2,0,1序列同时将数字保持在其特定变量。）。
如果您想将张量输出连接到完全连接的层，事情会变得有点棘手。如果使用输入大小为112x112的VGG-19，则如下所示

fc1_weights = data_file[16][0].reshape((4,4,512,4096))
fc1_weights = fc1_w.transpose((3,2,0,1))
fc1_weights = fc1_w.reshape((4096,8192))

如果在TensorFlow和完全连接层之间的连接处导出参数，则从TensorFlow得到的是一个数组，其形状为

[张量中的条目，fc层中的单位]

（此处：

[8192，4096]

）。您必须找出输出张量的形状，然后重新调整数组的形状，使其符合TensorFlow格式（请参见上文，

number of filters

是fc层中的

单元数

）。之后，使用先前使用的转置转换，然后再次重塑数组，但反过来。TensorFlow将fc层权重保存为

[输入数量、输出数量]

，而Caffe则以另一种方式保存。
如果将两个fc层相互连接，则不必执行前面描述的复杂过程，但必须通过再次转置（

fc\u layer\u weights.transpose（（1,0））

）来说明不同的fc层格式

然后，可以使用设置网络的参数

net.params['layer_name_in_prototxt'][0].data[...] = weights
net.params['layer_name_in_prototxt'][1].data[...] = biases

这是一个快速概述。如果您想要所有的代码，它在我的github存储库中。我希望这能有所帮助

---

干杯，

---

死亡

您可以使用Microsoft开发的实用程序。MMdnn是一个全面的跨框架工具，用于转换、可视化和诊断深度学习（DL）模型。

Caffe还提供了python包装器。唯一的方法是或多或少地手动复制权重。你提那个问题太早了。希望TensorFlow在不久的将来也能适应NX。这很难。Tensorflow是以代码为模型的，而caffe是以数据结构为模型的。