我使用的caffe模型：https://github.com/BVLC/caffe/tree/ea455eb29393ebe6de9f14e88bfce9eae74edf6d/models/bvlc_alexnet

其中，需要下载deploy prototxt文件和caffmodel以供转换模型用。

 

首先将caffe模型转换为TensorFlow，参考：https://github.com/ethereon/caffe-tensorflow

但是将其生产pb模型参考了如下代码，见https://github.com/ethereon/caffe-tensorflow/issues/23

from googlenet import GoogleNet # the output python script of caffe2tensorflowimport tensorflow as tffrom freeze_graph import freeze_graph # tensorflow comes up with a tool allowing freeze graphx = tf.placeholder(tf.float32, shape=[1, 224, 224, 3])y = tf.placeholder(tf.float32, shape=[1, 1000])net = GoogleNet({
   'data': x})sess = tf.InteractiveSession()sess.run(tf.initialize_all_variables()) net.load('googlenet.npy', sess)saver = tf.train.Saver()saver.save(sess, 'chkpt', global_step=0, latest_filename='chkpt_state')tf.train.write_graph(sess.graph.as_graph_def(), './', googlenet.pb', False)input_saver_def_path = ''input_binary=Trueinput_checkpoint_path = 'chkpt-0'input_graph_path = 'googlenet.pb'output_graph_path = 'googlenet.pb'output_node_names = 'prob'restore_op_name = "save/restore_all"filename_tensor_name = "save/Const:0"clear_devices = Truefreeze_graph(input_graph_path, input_saver_def_path,                              input_binary, input_checkpoint_path,                              output_node_names, restore_op_name,                              filename_tensor_name, output_graph_path,                              clear_devices, "")

注意，input node name改变了，自己print graph就知道。

另外一个博客里 见 https://ndres.me/post/convert-caffe-to-tensorflow/  ，提到自己fork的caffe to TensorFlow可以生成pb，但是我自己尝试发现针对alexnet抛出了异常。因此就没有使用。

 

还有就是 https://www.cs.toronto.edu/~guerzhoy/tf_alexnet/ 里提到有现成的模型，原文如下：

AlexNet implementation + weights in TensorFlow

This is a quick and dirty AlexNet implementation in TensorFlow. You may also be interested in Davi Frossard's code/weights.

• -- the implementation itself + testing code for versions of TensorFlow current in 2017 (Python 3).
• -- for older versions of TensorFlowm in Python 2(See for a variable rather than placeholder input; you probably want the myalexnet_forward.py version if you want to fine-tune the networks.)
• -- the weights; they need to be in the working directory
• -- the classes, in the same order as the outputs of the network
• , , , , -- test images (images should be 227x227x3)

Credits:

• The model and weights are from
• The weights were converted using , and code was taken from there as well

但是我自己使用的时候发现会抛出异常，可能是因为我使用的TensorFlow 1.3版本问题。因此最后也没有使用。

 

其次，就是模型压缩，命令为：

~/tensorflow-master/transform_graph/tensorflow/tools/graph_transforms/transform_graph --in_graph=alexnet.pb  --outputs="prob"  --out_graph=quantized_alexnet.pb  --transforms='quantize_weights'

 

最后，导入pb到andriod项目里，我参考了：http://blog.csdn.net/u014432647/article/details/74743332和https://github.com/ppplinday/alexnet-tensorflow-android-withoutfc67

注意我是自己bazel compile TensorFlow 1.0生成的arm64-v8a的inferance so和jar文件。

值得一提的是，在https://github.com/ppplinday/alexnet-tensorflow-android-withoutfc67里提到，其使用的模型在android红米机器上inference时间是0.713s，华为mate10上稍微快点，是0.6s。

 

贴下http://blog.csdn.net/u014432647/article/details/74743332 原文内容：

首先先说明一下这个alexnet是进过修改的网络，由于模型太大，我把alexnet的全连接层6和全连接7给删除了，测试手机是红米Note 4X，cpu是高通骁龙625。

分别放出测试代码的github

arm compute library：

tensorflow：

测试结果为：

arm compute lilrary：0.422s

tensorflow：0.713s

arm compute library比tensorflow快了差不多百分之40。arm这个也是有一定的优化，但是现在还是有挺多bug，而且接口暂时只提供C++，可以等之后成熟了再使用。

 

大致过程记录在此，以备忘。