Mikel
来源： [原创] 加快TensorFlow在树莓派上的执行速度——模型预热 – 编码无悔 / Intent & Focused
转载请注明出处：http://www.codelast.com/
本文软硬件环境：
树莓派：3代 Model B V1.2，内存1GB
OS：Arch Linux ARM
在上一篇文章中，我写了在树莓派上用TensorFlow做的一个深度学习（图像识别）实验，但正如文中所说，50秒执行一次预测的实用性为0。因此，有必要采取一些措施来加快TensorFlow的执行速度，其中一个可行的方法就是“预热”（warm-up），把TensorFlow移植到树莓派上的作者Sam Abrahams已经比较详细地在GitHub上列出了性能测试的结果。依照作者的描述，我也测试了一下，看看那悲催的50秒时间能减少到多少秒。
『1』什么是预热（warm-up）
首先，本文还是对TensorFlow的Python图像分类程序 classify_image.py 来描述的。
预热就是指在真正执行一次预测之前，先执行若干次 Session.run() 方法，从而达到加快一次预测的执行速度的目的。
文章来源：http://www.codelast.com/
『2』代码修改
代码改起来其实很简单。为了能衡量程序运行时间，需要使用Python的time模块，因此在一开始需要import：
|
1
|
import time |
然后对 run_inference_on_image 方法做一些修改，如下：
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
def run_inference_on_image(image):"""Runs inference on an image.Args:image: Image file name.Returns:Nothing"""if not tf.gfile.Exists(image):tf.logging.fatal('File does not exist %s', image)image_data = tf.gfile.FastGFile(image, 'rb').read()# the image used to warm-up TensorFlow modelwarm_up_image_data = tf.gfile.FastGFile('/root/tensorflow-related/test-images/ubike.jpg', 'rb').read()# Creates graph from saved GraphDef.create_graph()with tf.Session() as sess:# Some useful tensors:# 'softmax:0': A tensor containing the normalized prediction across# 1000 labels.# 'pool_3:0': A tensor containing the next-to-last layer containing 2048# float description of the image.# 'DecodeJpeg/contents:0': A tensor containing a string providing JPEG# encoding of the image.# Runs the softmax tensor by feeding the image_data as input to the graph.softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')print("Warm-up start")for i in range(10):print("Warm-up for time {}".format(i))predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': warm_up_image_data})print("Warm-up finished")# record the start time of the actual predictionstart_time = time.time()predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': image_data})predictions = np.squeeze(predictions)# Creates node ID --> English string lookup.node_lookup = NodeLookup()top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]for node_id in top_k:human_string = node_lookup.id_to_string(node_id)score = predictions[node_id]print('%s (score = %.5f)' % (human_string, score))print("Prediction used time:{} S".format(time.time() - start_time)) |
其中，我们自己添加的代码有如下几部分：
|
1
2
|
# the image used to warm-up TensorFlow modelwarm_up_image_data = tf.gfile.FastGFile('/root/tensorflow-related/test-images/ubike.jpg', 'rb').read() |
这里使用了另外一张图片来预热模型（和真正预测时使用的不是同一张图片），为了简单写死了路径。
文章来源：http://www.codelast.com/
|
1
2
3
4
5
6
|
print("Warm-up start")for i in range(10):print("Warm-up for time {}".format(i))predictions = sess.run(softmax_tensor,{'DecodeJpeg/contents:0': warm_up_image_data})print("Warm-up finished") |
这里循环10次来预热模型。
文章来源：http://www.codelast.com/
|
1
2
3
4
|
# record the start time of the actual predictionstart_time = time.time()# (中间省略)print("Prediction used time:{} S".format(time.time() - start_time)) |
这里打印出了真正预测一张图片的执行时间（秒数），这个时间就是我们真正需要关心的，看它能减少到多少秒。
文章来源：http://www.codelast.com/
『3』测试结果
执行和上一篇文章一样的命令，输出如下：
/usr/lib/python3.5/site-packages/tensorflow/python/ops/array_ops.py:1750: VisibleDeprecationWarning: converting an array with ndim > 0 to an index will result in an error in the futureresult_shape.insert(dim, 1)Warm-up startWarm-up for time 0W tensorflow/core/framework/op_def_util.cc:332] Op BatchNormWithGlobalNormalization is deprecated. It will cease to work in GraphDef version 9. Use tf.nn.batch_normalization().Warm-up for time 1Warm-up for time 2Warm-up for time 3Warm-up for time 4Warm-up for time 5Warm-up for time 6Warm-up for time 7Warm-up for time 8Warm-up for time 9Warm-up finishedmountain bike, all-terrain bike, off-roader (score = 0.56671)tricycle, trike, velocipede (score = 0.12035)bicycle-built-for-two, tandem bicycle, tandem (score = 0.08768)lawn mower, mower (score = 0.00651)alp (score = 0.00387)Prediction used time:4.141446590423584 Seconds
可见：在10次预热之后，一次预测消耗的时间是 4.14 秒，虽然4秒多还是没有达到我们心目中的理想速度，但这已经比之前的50秒强太多了。
此外，从测试结果我们可以体会到的是：预热（Session.run()）的头几次特别慢，后面就快起来了，所以，预热次数太少是不行的。
