AI OpenVINO

部署挑战

 

1、把训练环境的深度学习网络部署到嵌入式平台做推理，会有些技术挑战要解决。

1）工业界有很多深度学习框架，如Caffe，TensorFlow，MXNet，Kaldi等等。

2）训练是在数据中心或服务器集群。而推理是在嵌入式平台（经过性能和耗电优化），这些平台在软件（编程语言，第三方依赖，内存消耗，支持的操作系统）和硬件（不同数据类型，电源有限）上都有很大限制，因此，不推荐甚至做不到用训练框架来做推理。一个可选的方案是，使用针对特定硬件平台优化过的专用推理API。

3）要支持越来越多的network和layer，还要保证转换的network的准确率。

 

部署流程

 

 

 

Model Optimizer

 

 

转换TensorFlow模型 

 

1、--log_level=DEBUG选项，可以显示更多错误信息，方便排查问题。

 

2、SavedModel格式的模型，要用--saved_model_dir选项，而不是--input_model，否则GraphDef函数加载模型会失败。

 

3、TensorFlow模型的shape有些维度常常没有定义完整（值为-1），这时必须利用--input_shape选项来显式指定shape，或者用-b选项来单独指定batch维度。

 

4、

 

model server

使用gRPC接口，兼容TensorFlow serving API。 

 

参考链接：

https://docs.openvinotoolkit.org/latest/_docs_IE_DG_Introduction.html

https://github.com/IntelAI/OpenVINO-model-server

 

转载于:https://www.cnblogs.com/yangwenhuan/p/10987776.html