准备TensorFlow模型npy数据文件

本版本不提供TensorFlow模型npy数据生成功能，请自行安装TensorFlow环境并提前准备npy数据。本文仅提供生成numpy格式TensorFlow原始数据“*.npy”文件的样例参考。

如果您需要使用二进制格式dump文件进行比对，请参见如何进行npy文件转dump文件完成npy文件转换成dump文件。

在进行TensorFlow模型生成npy数据前，您需要已经有一套完整的、可执行的、标准的TensorFlow模型应用工程。然后利用TensorFlow官方提供的debug工具tfdbg调试程序，从而生成npy文件。主要操作示例如下，请根据自己的应用工程适配操作：

1. 修改TF应用工程脚本，添加debug选项设置。代码中增加如下代码：
   • Estimator模式：

     1 2	from tensorflow.python import debug as tf_debug training_hooks = [train_helper.PrefillStagingAreaHook(), tf_debug.LocalCLIDebugHook()]

     如图1所示，添加tfdbg的hook。

     图1 Estimator模式
     
   • session.run模式：

     1 2	from tensorflow.python import debug as tf_debug sess = tf_debug.LocalCLIDebugWrapperSession(sess, ui_type="readline")

     如图2所示，在run之前设置tfdbg装饰器。

     图2 session.run模式
     
2. 执行推理脚本。

   进入调试命令行交互模式后，输入run命令。

3. 收集npy文件。

   执行run命令完成后，在命令行交互界面，可以通过lt查询已存储的张量，通过pt可以查看已存储的张量内容，可以保存数据为numpy格式文件。

   因为tfdbg一次命令只能dump一个tensor，为了自动生成收集所有数据，可以按以下几个步骤操作：

   1. 执行lt > tensor_name将所有tensor的名称暂存到文件里。
   2. 退出tfdbg命令行，在linux命令行下执行下述命令，用以生成在tfdbg命令行执行的命令

   timestamp=$[$(date +%s%N)/1000] ; cat tensor_name | awk '{print "pt",$4,$4}' | awk '{gsub("/", "_", $3);gsub(":", ".", $3);print($1,$2,"-n 0 -w "$3".""'$timestamp'"".npy")}' > tensor_name_cmd.txt

   

   • 该示例生成符合精度比对需要的npy文件名称格式，存储到tensor_name_cmd.txt文件。其中，tensor_name为自定义tensor列表对应的文件名，timestamp为16位的时间戳。
   • 本步骤也可以不退出tfdbg命令行，重新开启一个命令窗口，在新的窗口中执行。
   3. 回到tfdbg命令行，输入run命令后，将上一步生成的所有tensor存储的命令粘贴执行，即可存储所有npy文件。

      npy文件默认是以numpy.save()形式存储的，上述命令会将“/”与“:”用下划线_替换。

      

      如果命令行界面无法粘贴文件内容，可以在tfdbg命令行中输入“mouse off”指令关闭鼠标模式后再进行粘贴。

   4. 检查生成的npy文件命名是否符合规则，如图3所示。
      

      • npy文件命名规则：{op_name}.{output_index}.{timestamp}.npy，其中op_name字段需满足“A-Za-z0-9_-”正则表达式规则，timestamp为16位时间戳，output_index为0~9数字组成。
      • 如果因算子名较长，造成按命名规则生成的npy文件名超过255字符而产生文件名异常，这类算子不支持精度比对。
      • 因tfdbg自身原因或运行环境原因，可能存在部分生成的npy文件名不符合精度比对要求，请按命名规则手工重命名。如果不符合要求的npy文件较多，请参见生成npy文件名异常情况批量处理重新生成npy文件。
   图3 查询.npy文件