Migrare il flusso di lavoro SavedModel

Visualizza su TensorFlow.org

Esegui in Google Colab

Visualizza l'origine su GitHub

Scarica quaderno

Dopo aver migrato il modello dai grafici e dalle sessioni di TensorFlow 1 alle API di TensorFlow 2, come tf.function , tf.Module e tf.keras.Model , è possibile migrare il codice di salvataggio e caricamento del modello. Questo notebook fornisce esempi di come salvare e caricare nel formato SavedModel in TensorFlow 1 e TensorFlow 2. Ecco una rapida panoramica delle modifiche API correlate per la migrazione da TensorFlow 1 a TensorFlow 2:

Per una spiegazione più approfondita della mappatura, fare riferimento alla sezione Modifiche da TensorFlow 1 a TensorFlow 2 di seguito.

Impostare

Gli esempi seguenti mostrano come esportare e caricare lo stesso modello TensorFlow fittizio (definito come add_two di seguito) in un formato SavedModel utilizzando le API TensorFlow 1 e TensorFlow 2. Inizia impostando le importazioni e le funzioni di utilità:

import tensorflow as tf
import tensorflow.compat.v1 as tf1
import shutil

def remove_dir(path):
  try:
    shutil.rmtree(path)
  except:
    pass

def add_two(input):
  return input + 2

TensorFlow 1: salva ed esporta un modello salvato

In TensorFlow 1, utilizzi le tf.compat.v1.saved_model.Builder , tf.compat.v1.saved_model.simple_save e tf.estimator.Estimator.export_saved_model per creare, salvare ed esportare il grafico e la sessione di TensorFlow:

1. Salvare il grafico come SavedModel con SavedModelBuilder

remove_dir("saved-model-builder")

with tf.Graph().as_default() as g:
  with tf1.Session() as sess:
    input = tf1.placeholder(tf.float32, shape=[])
    output = add_two(input)
    print("add two output: ", sess.run(output, {input: 3.}))

    # Save with SavedModelBuilder
    builder = tf1.saved_model.Builder('saved-model-builder')
    sig_def = tf1.saved_model.predict_signature_def(
        inputs={'input': input},
        outputs={'output': output})
    builder.add_meta_graph_and_variables(
        sess, tags=["serve"], signature_def_map={
            tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY: sig_def
    })
    builder.save()

add two output:  5.0
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/saved_model/signature_def_utils_impl.py:208: build_tensor_info (from tensorflow.python.saved_model.utils_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.utils.build_tensor_info or tf.compat.v1.saved_model.build_tensor_info.
INFO:tensorflow:No assets to save.
INFO:tensorflow:No assets to write.
INFO:tensorflow:SavedModel written to: saved-model-builder/saved_model.pb

!saved_model_cli run --dir simple-save --tag_set serve \
 --signature_def serving_default --input_exprs input=10

Traceback (most recent call last):
  File "/tmpfs/src/tf_docs_env/bin/saved_model_cli", line 8, in <module>
    sys.exit(main())
  File "/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py", line 1211, in main
    args.func(args)
  File "/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py", line 769, in run
    init_tpu=args.init_tpu, tf_debug=args.tf_debug)
  File "/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py", line 417, in run_saved_model_with_feed_dict
    tag_set)
  File "/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_utils.py", line 117, in get_meta_graph_def
    saved_model = read_saved_model(saved_model_dir)
  File "/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_utils.py", line 55, in read_saved_model
    raise IOError("SavedModel file does not exist at: %s" % saved_model_dir)
OSError: SavedModel file does not exist at: simple-save

2. Crea un modello salvato per la pubblicazione

remove_dir("simple-save")

with tf.Graph().as_default() as g:
  with tf1.Session() as sess:
    input = tf1.placeholder(tf.float32, shape=[])
    output = add_two(input)
    print("add_two output: ", sess.run(output, {input: 3.}))

    tf1.saved_model.simple_save(
        sess, 'simple-save',
        inputs={'input': input},
        outputs={'output': output})

add_two output:  5.0
WARNING:tensorflow:From /tmp/ipykernel_26511/250978412.py:12: simple_save (from tensorflow.python.saved_model.simple_save) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.simple_save.
INFO:tensorflow:Assets added to graph.
INFO:tensorflow:No assets to write.
INFO:tensorflow:SavedModel written to: simple-save/saved_model.pb

!saved_model_cli run --dir simple-save --tag_set serve \
 --signature_def serving_default --input_exprs input=10

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py:453: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
INFO:tensorflow:The specified SavedModel has no variables; no checkpoints were restored.
Result for output key output:
12.0

3. Esportare il grafico di inferenza Estimator come SavedModel

Nella definizione di Estimator model_fn (definita di seguito), puoi definire le firme nel tuo modello restituendo export_outputs in tf.estimator.EstimatorSpec . Esistono diversi tipi di output:

• tf.estimator.export.ClassificationOutput
• tf.estimator.export.RegressionOutput
• tf.estimator.export.PredictOutput

Questi produrranno rispettivamente tipi di firma di classificazione, regressione e previsione.

Quando lo stimatore viene esportato con tf.estimator.Estimator.export_saved_model , queste firme verranno salvate con il modello.

def model_fn(features, labels, mode):
  output = add_two(features['input'])
  step = tf1.train.get_global_step()
  return tf.estimator.EstimatorSpec(
      mode,
      predictions=output,
      train_op=step.assign_add(1),
      loss=tf.constant(0.),
      export_outputs={
          tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY: \
          tf.estimator.export.PredictOutput({'output': output})})
est = tf.estimator.Estimator(model_fn, 'estimator-checkpoints')

# Train for one step to create a checkpoint.
def train_fn():
  return tf.data.Dataset.from_tensors({'input': 3.})
est.train(train_fn, steps=1)

# This utility function `build_raw_serving_input_receiver_fn` takes in raw
# tensor features and builds an "input serving receiver function", which
# creates placeholder inputs to the model.
serving_input_fn = tf.estimator.export.build_raw_serving_input_receiver_fn(
    {'input': tf.constant(3.)})  # Pass in a dummy input batch.
estimator_path = est.export_saved_model('exported-estimator', serving_input_fn)

# Estimator's export_saved_model creates a time stamped directory. Move this
# to a set path so it can be inspected with `saved_model_cli` in the cell below.
!rm -rf estimator-model
import shutil
shutil.move(estimator_path, 'estimator-model')

INFO:tensorflow:Using default config.
INFO:tensorflow:Using config: {'_model_dir': 'estimator-checkpoints', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true
graph_options {
  rewrite_options {
    meta_optimizer_iterations: ONE
  }
}
, '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/training/training_util.py:401: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version.
Instructions for updating:
Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Create CheckpointSaverHook.
INFO:tensorflow:Graph was finalized.
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 0...
INFO:tensorflow:Saving checkpoints for 0 into estimator-checkpoints/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 0...
INFO:tensorflow:loss = 0.0, step = 1
INFO:tensorflow:Calling checkpoint listeners before saving checkpoint 1...
INFO:tensorflow:Saving checkpoints for 1 into estimator-checkpoints/model.ckpt.
INFO:tensorflow:Calling checkpoint listeners after saving checkpoint 1...
INFO:tensorflow:Loss for final step: 0.0.
INFO:tensorflow:Calling model_fn.
INFO:tensorflow:Done calling model_fn.
INFO:tensorflow:Signatures INCLUDED in export for Classify: None
INFO:tensorflow:Signatures INCLUDED in export for Regress: None
INFO:tensorflow:Signatures INCLUDED in export for Predict: ['serving_default']
INFO:tensorflow:Signatures INCLUDED in export for Train: None
INFO:tensorflow:Signatures INCLUDED in export for Eval: None
INFO:tensorflow:Restoring parameters from estimator-checkpoints/model.ckpt-1
INFO:tensorflow:Assets added to graph.
INFO:tensorflow:No assets to write.
INFO:tensorflow:SavedModel written to: exported-estimator/temp-1636162129/saved_model.pb
'estimator-model'

!saved_model_cli run --dir estimator-model --tag_set serve \
 --signature_def serving_default --input_exprs input=[10]

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py:453: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Restoring parameters from estimator-model/variables/variables
Result for output key output:
[12.]

TensorFlow 2: salva ed esporta un modello salvato

Salva ed esporta un SavedModel definito con tf.Module

Per esportare il tuo modello in TensorFlow 2, devi definire un tf.Module o un tf.keras.Model per contenere tutte le variabili e le funzioni del tuo modello. Quindi, puoi chiamare tf.saved_model.save per creare un SavedModel. Per ulteriori informazioni, fare riferimento a Salvataggio di un modello personalizzato nella guida al formato Utilizzo del modello salvato .

class MyModel(tf.Module):
  @tf.function
  def __call__(self, input):
    return add_two(input)

model = MyModel()

@tf.function
def serving_default(input):
  return {'output': model(input)}

signature_function = serving_default.get_concrete_function(
    tf.TensorSpec(shape=[], dtype=tf.float32))
tf.saved_model.save(
    model, 'tf2-save', signatures={
        tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY: signature_function})

INFO:tensorflow:Assets written to: tf2-save/assets
2021-11-06 01:28:53.105391: W tensorflow/python/util/util.cc:368] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.

!saved_model_cli run --dir tf2-save --tag_set serve \
 --signature_def serving_default --input_exprs input=10

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py:453: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Restoring parameters from tf2-save/variables/variables
Result for output key output:
12.0

Salva ed esporta un SavedModel definito con Keras

Le API Keras per il salvataggio e l'esportazione — Mode.save o tf.keras.models.save_model — possono esportare un SavedModel da un tf.keras.Model . Dai un'occhiata ai modelli di salvataggio e caricamento Keras per maggiori dettagli.

inp = tf.keras.Input(3)
out = add_two(inp)
model = tf.keras.Model(inputs=inp, outputs=out)

@tf.function(input_signature=[tf.TensorSpec(shape=[], dtype=tf.float32)])
def serving_default(input):
  return {'output': model(input)}

model.save('keras-model', save_format='tf', signatures={
        tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY: serving_default})

WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
WARNING:tensorflow:Model was constructed with shape (None, 3) for input KerasTensor(type_spec=TensorSpec(shape=(None, 3), dtype=tf.float32, name='input_1'), name='input_1', description="created by layer 'input_1'"), but it was called on an input with incompatible shape ().
INFO:tensorflow:Assets written to: keras-model/assets

!saved_model_cli run --dir keras-model --tag_set serve \
 --signature_def serving_default --input_exprs input=10

WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/tools/saved_model_cli.py:453: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Restoring parameters from keras-model/variables/variables
Result for output key output:
12.0

Caricamento di un modello salvato

Un SavedModel salvato con una qualsiasi delle API di cui sopra può essere caricato utilizzando TensorFlow 1 o TensorFlow API.

Un TensorFlow 1 SavedModel può essere generalmente utilizzato per l'inferenza quando viene caricato in TensorFlow 2, ma l'addestramento (generazione di gradienti) è possibile solo se SavedModel contiene variabili di risorsa . Puoi controllare il dtype delle variabili: se la variabile dtype contiene "_ref", allora è una variabile di riferimento.

Un TensorFlow 2 SavedModel può essere caricato ed eseguito da TensorFlow 1 purché SavedModel sia salvato con le firme.

Le sezioni seguenti contengono esempi di codice che mostrano come caricare i SavedModels salvati nelle sezioni precedenti e chiamare la firma esportata.

TensorFlow 1: carica un modello salvato con tf.saved_model.load

In TensorFlow 1, puoi importare un SavedModel direttamente nel grafico e nella sessione correnti utilizzando tf.saved_model.load . Puoi chiamare Session.run sui nomi di input e output del tensore:

def load_tf1(path, input):
  print('Loading from', path)
  with tf.Graph().as_default() as g:
    with tf1.Session() as sess:
      meta_graph = tf1.saved_model.load(sess, ["serve"], path)
      sig_def = meta_graph.signature_def[tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY]
      input_name = sig_def.inputs['input'].name
      output_name = sig_def.outputs['output'].name
      print('  Output with input', input, ': ', 
            sess.run(output_name, feed_dict={input_name: input}))

load_tf1('saved-model-builder', 5.)
load_tf1('simple-save', 5.)
load_tf1('estimator-model', [5.])  # Estimator's input must be batched.
load_tf1('tf2-save', 5.)
load_tf1('keras-model', 5.)

Loading from saved-model-builder
WARNING:tensorflow:From /tmp/ipykernel_26511/1548963983.py:5: load (from tensorflow.python.saved_model.loader_impl) is deprecated and will be removed in a future version.
Instructions for updating:
This function will only be available through the v1 compatibility library as tf.compat.v1.saved_model.loader.load or tf.compat.v1.saved_model.load. There will be a new function for importing SavedModels in Tensorflow 2.0.
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
INFO:tensorflow:The specified SavedModel has no variables; no checkpoints were restored.
  Output with input 5.0 :  7.0
Loading from simple-save
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
INFO:tensorflow:The specified SavedModel has no variables; no checkpoints were restored.
  Output with input 5.0 :  7.0
Loading from estimator-model
INFO:tensorflow:Restoring parameters from estimator-model/variables/variables
  Output with input [5.0] :  [7.]
Loading from tf2-save
INFO:tensorflow:Restoring parameters from tf2-save/variables/variables
  Output with input 5.0 :  7.0
Loading from keras-model
INFO:tensorflow:Restoring parameters from keras-model/variables/variables
  Output with input 5.0 :  7.0

TensorFlow 2: carica un modello salvato con tf.saved_model

In TensorFlow 2, gli oggetti vengono caricati in un oggetto Python che memorizza le variabili e le funzioni. Questo è compatibile con i modelli salvati da TensorFlow 1.

Consulta i documenti dell'API tf.saved_model.load e la sezione Caricamento e utilizzo di un modello personalizzato dalla guida al formato Utilizzo del modello salvato per i dettagli.

def load_tf2(path, input):
  print('Loading from', path)
  loaded = tf.saved_model.load(path)
  out = loaded.signatures[tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY](
      tf.constant(input))['output']
  print('  Output with input', input, ': ', out)

load_tf2('saved-model-builder', 5.)
load_tf2('simple-save', 5.)
load_tf2('estimator-model', [5.])  # Estimator's input must be batched.
load_tf2('tf2-save', 5.)
load_tf2('keras-model', 5.)

Loading from saved-model-builder
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
  Output with input 5.0 :  tf.Tensor(7.0, shape=(), dtype=float32)
Loading from simple-save
INFO:tensorflow:Saver not created because there are no variables in the graph to restore
  Output with input 5.0 :  tf.Tensor(7.0, shape=(), dtype=float32)
Loading from estimator-model
  Output with input [5.0] :  tf.Tensor([7.], shape=(1,), dtype=float32)
Loading from tf2-save
  Output with input 5.0 :  tf.Tensor(7.0, shape=(), dtype=float32)
Loading from keras-model
  Output with input 5.0 :  tf.Tensor(7.0, shape=(), dtype=float32)

I modelli salvati con l'API TensorFlow 2 possono anche accedere a tf.function se le variabili allegate al modello (invece di quelle esportate come firme). Per esempio:

loaded = tf.saved_model.load('tf2-save')
print('restored __call__:', loaded.__call__)
print('output with input 5.', loaded(5))

restored __call__: <tensorflow.python.saved_model.function_deserialization.RestoredFunction object at 0x7f30cc940990>
output with input 5. tf.Tensor(7.0, shape=(), dtype=float32)

TensorFlow 2: carica un modello salvato con Keras

L'API di caricamento Keras, tf.keras.models.load_model consente di ricaricare un modello salvato in un oggetto Modello Keras. Nota che questo ti consente solo di caricare SavedModels salvati con Keras ( Model.save o tf.keras.models.save_model ).

I modelli salvati con tf.saved_model.save devono essere caricati con tf.saved_model.load . Puoi caricare un modello Keras salvato con Model.save usando tf.saved_model.load ma otterrai solo il grafico TensorFlow. Fare riferimento alla documentazione dell'API tf.keras.models.load_model e alla guida Salva e carica i modelli Keras per i dettagli.

loaded_model = tf.keras.models.load_model('keras-model')
loaded_model.predict_on_batch(tf.constant([1, 3, 4]))

WARNING:tensorflow:No training configuration found in save file, so the model was *not* compiled. Compile it manually.
WARNING:tensorflow:Model was constructed with shape (None, 3) for input KerasTensor(type_spec=TensorSpec(shape=(None, 3), dtype=tf.float32, name='input_1'), name='input_1', description="created by layer 'input_1'"), but it was called on an input with incompatible shape (3,).
array([3., 5., 6.], dtype=float32)

GraphDef e MetaGraphDef

Non esiste un modo semplice per caricare un GraphDef o MetaGraphDef su TF2. Tuttavia, puoi convertire il codice TF1 che importa il grafico in una concrete_function TF2 usando v1.wrap_function .

Per prima cosa, salva un MetaGraphDef:

# Save a simple multiplication computation:
with tf.Graph().as_default() as g:
  x = tf1.placeholder(tf.float32, shape=[], name='x')
  v = tf.Variable(3.0, name='v')
  y = tf.multiply(x, v, name='y')
  with tf1.Session() as sess:
    sess.run(v.initializer)
    print(sess.run(y, feed_dict={x: 5}))
    s = tf1.train.Saver()
    s.export_meta_graph('multiply.pb', as_text=True)
    s.save(sess, 'multiply_values.ckpt')

15.0

Utilizzando le API TF1, puoi utilizzare tf1.train.import_meta_graph per importare il grafico e ripristinare i valori:

with tf.Graph().as_default() as g:
  meta = tf1.train.import_meta_graph('multiply.pb')
  x = g.get_tensor_by_name('x:0')
  y = g.get_tensor_by_name('y:0')
  with tf1.Session() as sess:
    meta.restore(sess, 'multiply_values.ckpt')
    print(sess.run(y, feed_dict={x: 5}))

INFO:tensorflow:Restoring parameters from multiply_values.ckpt
15.0

Non ci sono API TF2 per caricare il grafico, ma puoi comunque importarlo in una funzione concreta che può essere eseguita in modalità ansiosa:

def import_multiply():
  # Any graph-building code is allowed here.
  tf1.train.import_meta_graph('multiply.pb')

# Creates a tf.function with all the imported elements in the function graph.
wrapped_import = tf1.wrap_function(import_multiply, [])
import_graph = wrapped_import.graph
x = import_graph.get_tensor_by_name('x:0')
y = import_graph.get_tensor_by_name('y:0')

# Restore the variable values.
tf1.train.Saver(wrapped_import.variables).restore(
    sess=None, save_path='multiply_values.ckpt')

# Create a concrete function by pruning the wrap_function (similar to sess.run).
multiply_fn = wrapped_import.prune(feeds=x, fetches=y)

# Run this function
multiply_fn(tf.constant(5.))  # inputs to concrete functions must be Tensors.

WARNING:tensorflow:Saver is deprecated, please switch to tf.train.Checkpoint or tf.keras.Model.save_weights for training checkpoints. When executing eagerly variables do not necessarily have unique names, and so the variable.name-based lookups Saver performs are error-prone.
INFO:tensorflow:Restoring parameters from multiply_values.ckpt
<tf.Tensor: shape=(), dtype=float32, numpy=15.0>

Modifiche da TensorFlow 1 a TensorFlow 2

Questa sezione elenca i termini chiave di salvataggio e caricamento da TensorFlow 1, i loro equivalenti TensorFlow 2 e cosa è cambiato.

Modello salvato

SavedModel è un formato che memorizza un programma TensorFlow completo con parametri e calcolo. Contiene firme utilizzate dalle piattaforme di servizio per eseguire il modello.

Il formato del file stesso non è cambiato in modo significativo, quindi SavedModels può essere caricato e servito utilizzando le API TensorFlow 1 o TensorFlow 2.

Differenze tra TensorFlow 1 e TensorFlow 2

I casi d'uso del servizio e dell'inferenza non sono stati aggiornati in TensorFlow 2, a parte le modifiche alle API: è stato introdotto il miglioramento nella capacità di riutilizzare e comporre modelli caricati da SavedModel.

In TensorFlow 2, il programma è rappresentato da oggetti come tf.Variable , tf.Module o modelli Keras di livello superiore ( tf.keras.Model ) e livelli ( tf.keras.layers ). Non ci sono più variabili globali che hanno valori memorizzati in una sessione e il grafico ora esiste in diverse tf.function s. Di conseguenza, durante l'esportazione di un modello, SavedModel salva separatamente ogni componente e grafico delle funzioni.

Quando scrivi un programma TensorFlow con le API Python di TensorFlow, devi creare un oggetto per gestire le variabili, le funzioni e altre risorse. In genere, ciò si ottiene utilizzando le API Keras, ma puoi anche creare l'oggetto creando o creando una sottoclasse tf.Module .

I modelli Keras ( tf.keras.Model ) e tf.Module automaticamente le variabili e le funzioni ad essi associate. SavedModel salva queste connessioni tra moduli, variabili e funzioni, in modo che possano essere ripristinate durante il caricamento.

Firme

Le firme sono gli endpoint di un SavedModel: indicano all'utente come eseguire il modello e quali input sono necessari.

In TensorFlow 1, le firme vengono create elencando i tensori di input e di output. In TensorFlow 2, le firme vengono generate passando in funzioni concrete . (Per saperne di più sulle funzioni TensorFlow nell'Introduzione ai grafici e nella guida alla funzione tf.) In breve, una funzione concreta viene generata da una tf.function :

# Option 1: Specify an input signature.
@tf.function(input_signature=[...])
def fn(...):
  ...
  return outputs

tf.saved_model.save(model, path, signatures={
    'name': fn
})

# Option 2: Call `get_concrete_function`
@tf.function
def fn(...):
  ...
  return outputs

tf.saved_model.save(model, path, signatures={
    'name': fn.get_concrete_function(...)
})

Session.run

In TensorFlow 1, puoi chiamare Session.run con il grafico importato purché tu conosca già i nomi dei tensori. Ciò consente di recuperare i valori delle variabili ripristinati o di eseguire parti del modello che non sono state esportate nelle firme.

In TensorFlow 2, puoi accedere direttamente a una variabile, come una matrice di pesi ( kernel ):

model = tf.Module()
model.dense_layer = tf.keras.layers.Dense(...)
tf.saved_model.save('my_saved_model')
loaded = tf.saved_model.load('my_saved_model')
loaded.dense_layer.kernel

o chiama tf.function s allegato all'oggetto del modello: ad esempio, loaded.__call__ .

A differenza di TF1, non è possibile estrarre parti di una funzione e accedere a valori intermedi. È necessario esportare tutte le funzionalità necessarie nell'oggetto salvato.

Note sulla migrazione di TensorFlow Servire

SavedModel è stato originariamente creato per funzionare con TensorFlow Serving . Questa piattaforma offre diversi tipi di richieste di previsione: classificare, regredire e prevedere.

L'API TensorFlow 1 consente di creare questi tipi di firme con le utility:

• tf.compat.v1.saved_model.classification_signature_def
• tf.compat.v1.saved_model.regression_signature_def
• tf.compat.v1.saved_model.predict_signature_def

La classificazione ( classification_signature_def ) e la regressione ( regression_signature_def ) limitano gli input e gli output, quindi gli input devono essere un tf.Example e gli output devono essere classes , scores o prediction . Nel frattempo, la firma di previsione ( predict_signature_def ) non ha restrizioni.

I modelli salvati esportati con l'API TensorFlow 2 sono compatibili con TensorFlow Serving, ma conterranno solo firme di previsione. Le firme di classificazione e regressione sono state rimosse.

Se si richiede l'uso delle firme di classificazione e regressione, è possibile modificare il modello salvato esportato utilizzando tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater .

Prossimi passi

Per ulteriori informazioni sui modelli salvati in TensorFlow 2, consulta le seguenti guide:

• Utilizzando il formato SavedModel
• Salva e carica i modelli Keras

Se stai utilizzando TensorFlow Hub, potresti trovare utili queste guide:

• Hub TensorFlow: compatibilità del modello per TensorFlow 1/TensorFlow 2
• Migrazione da TensorFlow 1 a TensorFlow 2 con TensorFlow Hub