Tensorflow型微神经网络层的建立

Question

我试着在我的ESP32上运行一些ML，并且我想使用Tensorflow微。但我不太明白，它们是如何形成层层的。下面是如何训练人员检测模型的示例：人检测模型训练

很明显，但最后他们说：

MobileNet v1是由14个具有平均池的深度可分卷积层组成的堆栈，然后是一个完全连通的层，最后是一个软极层。

如果我检查示例代码，其中它们建立了tf lite微观模型，它只有3行：

 static tflite::MicroMutableOpResolver<3> micro_op_resolver;
  micro_op_resolver.AddAveragePool2D();
  micro_op_resolver.AddConv2D();
  micro_op_resolver.AddDepthwiseConv2D();

有平均池和深度层，但是Conv2D层来自哪里？模型中只显示了一个深度层，但在文档中有14个深度层。

所以问题是，训练模式和我应该建立的张力低的微观模型之间有什么关系吗？如果有，我如何决定如何建立。这就是如果没有关系的问题，我需要以什么方式建立这个模型。

Answer 1

它们不显式地构建模型，而是依赖包含体系结构(来源)的模型文件：

  model = tflite::GetModel(g_person_detect_model_data);

其中，g_person_detect_model_data.cc是使用以下命令从tflite模型(包含体系结构)生成的(参见自述文件中的转换为c#源文件 )：

# Install xxd if it is not available
!apt-get -qq install xxd
# Save the file as a C source file
!xxd -i vww_96_grayscale_quantized.tflite > person_detect_model_data.cc

所以你共享的代码没有建立模型。您看到的是，出于性能原因，它们显式地添加了模型所需的操作，而不是依赖更复杂的tflite::AllOpsResolver。这个您共享的代码上面的注释表示：

  // Pull in only the operation implementations we need.
  // This relies on a complete list of all the ops needed by this graph.
  // An easier approach is to just use the AllOpsResolver, but this will
  // incur some penalty in code space for op implementations that are not
  // needed by this graph.
  //
  // tflite::AllOpsResolver resolver;
  // NOLINTNEXTLINE(runtime-global-variables)
  static tflite::MicroMutableOpResolver<5> micro_op_resolver;
  micro_op_resolver.AddAveragePool2D();
  micro_op_resolver.AddConv2D();
  micro_op_resolver.AddDepthwiseConv2D();
  micro_op_resolver.AddReshape();
  micro_op_resolver.AddSoftmax();