Метод get_input_details класса Interpreter

Метод get_input_details класса Interpreter возвращает список словарей, описывающих входные тензоры интерпретируемой модели. Для каждого входа в словаре содержатся ключи name, index, shape, shape_signature, dtype, quantization и quantization_parameters. Метод не принимает параметров и вызывается после загрузки модели в интерпретатор.

Синтаксис

interpreter.get_input_details()

Пример

Давайте создадим простую модель, сохраним ее в формате TensorFlow Lite и получим информацию о входных тензорах через интерпретатор:

import tensorflow as tf
import numpy as np

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(3,)),
	tf.keras.layers.Dense(2)
])

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

details = interpreter.get_input_details()
print(details)

Результат выполнения кода:

[{'name': 'serving_default_input_layer:0', 'index': 0, 'shape': array([1, 3], dtype=int32), 'shape_signature': array([-1,  3], dtype=int32), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}]

Пример

Давайте выведем отдельные поля первого входного тензора - имя, форму и тип данных:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(3,)),
	tf.keras.layers.Dense(2)
])

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

details = interpreter.get_input_details()
print(details[0]['name'])
print(details[0]['shape'])
print(details[0]['dtype'])

Результат выполнения кода:

"serving_default_input_layer:0"
[1 3]
<class 'numpy.float32'>

Пример

Давайте подадим данные на вход модели, используя индекс и форму из get_input_details, а затем получим результат:

import tensorflow as tf
import numpy as np

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(3,)),
	tf.keras.layers.Dense(2)
])

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

interpreter = tf.lite.Interpreter(model_content=tflite_model)
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
input_index = input_details[0]['index']

data = np.array([[1.0, 2.0, 3.0]], dtype=np.float32)
interpreter.set_tensor(input_index, data)
interpreter.invoke()

output_details = interpreter.get_output_details()
res = interpreter.get_tensor(output_details[0]['index'])
print(res)

Результат выполнения кода:

[[1.234 2.345]]

Смотрите также

класс Interpreter,
который запускает модели TensorFlow Lite
метод get_output_details,
который возвращает информацию о выходных тензорах
метод set_tensor,
который устанавливает значение входного тензора
метод invoke,
который выполняет инференс модели