Zobacz na TensorFlow.org | Uruchom w Google Colab | Wyświetl źródło na GitHub | Pobierz notatnik |
Po migracji modelu z wykresów i sesji TensorFlow 1 do interfejsów API TensorFlow 2, takich jak tf.function
, tf.Module
i tf.keras.Model
, możesz przeprowadzić migrację kodu zapisywania i ładowania modelu. Ten notatnik zawiera przykłady, w jaki sposób można zapisywać i ładować w formacie SavedModel w TensorFlow 1 i TensorFlow 2. Oto krótki przegląd powiązanych zmian API dotyczących migracji z TensorFlow 1 do TensorFlow 2:
Przepływ Tensora 1 | Migracja do TensorFlow 2 | |
---|---|---|
Oszczędność | tf.compat.v1.saved_model.Builder tf.compat.v1.saved_model.simple_save | tf.saved_model.save Keras: tf.keras.models.save_model |
Ładowanie | tf.compat.v1.saved_model.load | tf.saved_model.load Keras: tf.keras.models.load_model |
Podpisy : zestaw danych wejściowych i tensory wyjściowe, które może być używany do uruchamiania | Wygenerowano za pomocą narzędzi *.signature_def (np tf.compat.v1.saved_model.predict_signature_def ) | Napisz funkcję tf.function . i wyeksportuj ją za pomocą argumentu signatures w tf.saved_model.save . |
Klasyfikacja i regresja : specjalne rodzaje podpisów | Wygenerowane za pomocątf.compat.v1.saved_model.classification_signature_def ,tf.compat.v1.saved_model.regression_signature_def ,oraz niektóre eksporty Estymatora. | Te dwa typy podpisów zostały usunięte z TensorFlow 2. Jeśli biblioteka obsługująca wymaga tych nazw metod, tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater . |
Aby uzyskać bardziej szczegółowe wyjaśnienie mapowania, zapoznaj się z sekcją Zmiany od TensorFlow 1 do TensorFlow 2 poniżej.
Ustawiać
Poniższe przykłady pokazują, jak wyeksportować i załadować ten sam fikcyjny model TensorFlow (zdefiniowany jako add_two
poniżej) do formatu SavedModel przy użyciu interfejsów API TensorFlow 1 i TensorFlow 2. Zacznij od skonfigurowania funkcji importu i narzędzi:
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: Zapisz i wyeksportuj SavedModel
W TensorFlow 1 używasz interfejsów API tf.compat.v1.saved_model.Builder
, tf.compat.v1.saved_model.simple_save
i tf.estimator.Estimator.export_saved_model
do tworzenia, zapisywania i eksportowania wykresu i sesji TensorFlow:
1. Zapisz wykres jako SavedModel za pomocą 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. Zbuduj SavedModel do serwowania
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. Eksportuj wykres wnioskowania estymatora jako SavedModel
W definicji model_fn
(zdefiniowanej poniżej) można zdefiniować sygnatury w modelu, zwracając export_outputs
w tf.estimator.EstimatorSpec
. Istnieją różne rodzaje wyjść:
-
tf.estimator.export.ClassificationOutput
-
tf.estimator.export.RegressionOutput
-
tf.estimator.export.PredictOutput
Wygenerują one odpowiednio typy klasyfikacji, regresji i predykcji.
Gdy estymator jest eksportowany z tf.estimator.Estimator.export_saved_model
, te sygnatury zostaną zapisane z modelem.
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: Zapisz i wyeksportuj SavedModel
Zapisz i wyeksportuj SavedModel zdefiniowany za pomocą tf.Module
Aby wyeksportować model w TensorFlow 2, musisz zdefiniować tf.Module
lub tf.keras.Model
, aby przechowywać wszystkie zmienne i funkcje modelu. Następnie możesz wywołać tf.saved_model.save
, aby utworzyć SavedModel. Aby dowiedzieć się więcej, zapoznaj się z Zapisywanie modelu niestandardowego w przewodniku Korzystanie z formatu SavedModel .
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
Zapisz i wyeksportuj SavedModel zdefiniowany w Keras
Interfejsy API Keras do zapisywania i eksportowania Mode.save
lub tf.keras.models.save_model
— mogą eksportować SavedModel z tf.keras.Model
. Sprawdź Zapisz i załaduj modele Keras, aby uzyskać więcej informacji.
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
Ładowanie zapisanego modelu
SavedModel zapisany za pomocą dowolnego z powyższych interfejsów API można załadować za pomocą interfejsów API TensorFlow 1 lub TensorFlow.
TensorFlow 1 SavedModel może być ogólnie używany do wnioskowania po załadowaniu do TensorFlow 2, ale uczenie (generowanie gradientów) jest możliwe tylko wtedy, gdy SavedModel zawiera zmienne zasobów . Możesz sprawdzić dtype zmiennych — jeśli zmienna dtype zawiera "_ref", to jest to zmienna referencyjna.
TensorFlow 2 SavedModel można załadować i wykonać z TensorFlow 1, o ile SavedModel jest zapisany z podpisami.
Poniższe sekcje zawierają próbki kodu pokazujące, jak załadować SavedModels zapisane w poprzednich sekcjach i wywołać wyeksportowany podpis.
TensorFlow 1: Załaduj SavedModel za pomocą tf.saved_model.load
W TensorFlow 1 możesz zaimportować SavedModel bezpośrednio do bieżącego wykresu i sesji za pomocą tf.saved_model.load
. Możesz wywołać Session.run
na nazwach wejściowych i wyjściowych tensora:
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: Załaduj model zapisany za pomocą tf.saved_model
W TensorFlow 2 obiekty są ładowane do obiektu Pythona, który przechowuje zmienne i funkcje. Jest to zgodne z modelami zapisanymi z TensorFlow 1.
Zapoznaj się z dokumentacją interfejsu API tf.saved_model.load
oraz sekcją Ładowanie i używanie modelu niestandardowego w przewodniku Korzystanie z formatu SavedModel, aby uzyskać szczegółowe informacje.
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)
Modele zapisane za pomocą interfejsu API TensorFlow 2 mogą również uzyskać dostęp do tf.function
s i zmiennych dołączonych do modelu (zamiast eksportowanych jako sygnatury). Na przykład:
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: Załaduj model zapisany za pomocą Keras
API ładowania Keras tf.keras.models.load_model
— umożliwia ponowne wczytanie zapisanego modelu z powrotem do obiektu Keras Model. Zauważ, że pozwala to tylko załadować SavedModels zapisane za pomocą Keras ( Model.save
lub tf.keras.models.save_model
).
Modele zapisane za pomocą tf.saved_model.save
należy wczytać za pomocą tf.saved_model.load
. Możesz załadować model Keras zapisany za pomocą Model.save
za pomocą tf.saved_model.load
, ale otrzymasz tylko wykres TensorFlow. Aby uzyskać szczegółowe informacje, zapoznaj się z dokumentacją interfejsu API tf.keras.models.load_model
oraz przewodnikiem dotyczącym zapisywania i ładowania modeli Keras .
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 i MetaGraphDef
Nie ma prostego sposobu na załadowanie surowego GraphDef
lub MetaGraphDef
do TF2. Można jednak przekonwertować kod TF1, który importuje wykres, do funkcji concrete_function
TF2 za pomocą v1.wrap_function
.
Najpierw zapisz 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
Korzystając z interfejsów API TF1, możesz użyć tf1.train.import_meta_graph
do zaimportowania wykresu i przywrócenia wartości:
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
Nie ma interfejsów API TF2 do ładowania wykresu, ale nadal można go zaimportować do konkretnej funkcji, którą można wykonać w trybie przyspieszonym:
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>
Zmiany z TensorFlow 1 na TensorFlow 2
Ta sekcja zawiera listę kluczowych terminów zapisywania i ładowania z TensorFlow 1, ich odpowiedników w TensorFlow 2 oraz tego, co się zmieniło.
Zapisany model
SavedModel to format przechowujący kompletny program TensorFlow z parametrami i obliczeniami. Zawiera sygnatury używane przez platformy obsługujące do uruchamiania modelu.
Sam format pliku nie zmienił się znacząco, więc SavedModels można ładować i udostępniać za pomocą interfejsów API TensorFlow 1 lub TensorFlow 2.
Różnice między TensorFlow 1 i TensorFlow 2
Przypadki użycia serwowania i wnioskowania nie zostały zaktualizowane w TensorFlow 2, poza zmianami w interfejsie API — wprowadzono ulepszenie w możliwości ponownego użycia i komponowania modeli załadowanych z SavedModel.
W TensorFlow 2 program jest reprezentowany przez obiekty takie jak tf.Variable
, tf.Module
lub modele Keras wyższego poziomu ( tf.keras.Model
) i warstwy ( tf.keras.layers
). Nie ma już zmiennych globalnych, które mają wartości przechowywane w sesji, a wykres istnieje teraz w różnych tf.function
s. W konsekwencji, podczas eksportu modelu, SavedModel zapisuje osobno wykresy każdego komponentu i funkcji.
Kiedy piszesz program TensorFlow z interfejsami API TensorFlow Python, musisz zbudować obiekt do zarządzania zmiennymi, funkcjami i innymi zasobami. Generalnie jest to osiągane za pomocą interfejsów API Keras, ale można również zbudować obiekt, tworząc lub tworząc podklasę tf.Module
.
Modele Keras ( tf.keras.Model
) i tf.Module
automatycznie śledzą zmienne i dołączone do nich funkcje. SavedModel zapisuje te połączenia między modułami, zmiennymi i funkcjami, dzięki czemu można je przywrócić podczas ładowania.
Podpisy
Sygnatury to punkty końcowe SavedModel — informują użytkownika, jak uruchomić model i jakie dane wejściowe są potrzebne.
W TensorFlow 1 sygnatury są tworzone przez wymienienie tensorów wejściowych i wyjściowych. W TensorFlow 2 sygnatury są generowane przez przekazanie konkretnych funkcji . (Przeczytaj więcej o funkcjach TensorFlow we Wstępie do wykresów i przewodniku po tf.function .) Krótko mówiąc, konkretna funkcja jest generowana z 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
W TensorFlow 1 możesz wywołać Session.run
z zaimportowanym wykresem, o ile znasz już nazwy tensorów. Pozwala to na odzyskanie przywróconych wartości zmiennych lub uruchomienie części modelu, które nie zostały wyeksportowane w sygnaturach.
W TensorFlow 2 możesz bezpośrednio uzyskać dostęp do zmiennej, takiej jak macierz wag ( 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
lub wywołaj tf.function
s dołączoną do obiektu modelu: na przykład loaded.__call__
.
W przeciwieństwie do TF1 nie ma możliwości wyodrębnienia części funkcji i uzyskania dostępu do wartości pośrednich. Musisz wyeksportować wszystkie potrzebne funkcje w zapisanym obiekcie.
Uwagi dotyczące migracji do obsługi TensorFlow
SavedModel został pierwotnie stworzony do pracy z TensorFlow Serving . Ta platforma oferuje różne typy żądań prognoz: klasyfikacja, regresja i przewidywanie.
Interfejs API TensorFlow 1 umożliwia tworzenie tych typów podpisów za pomocą narzędzi:
-
tf.compat.v1.saved_model.classification_signature_def
-
tf.compat.v1.saved_model.regression_signature_def
-
tf.compat.v1.saved_model.predict_signature_def
Klasyfikacja ( classification_signature_def
) i regresja ( regression_signature_def
) ograniczają dane wejściowe i wyjściowe, więc dane wejściowe muszą być tf.Example
, a dane wyjściowe muszą być classes
, scores
lub prediction
. Tymczasem sygnatura predykcyjna ( predict_signature_def
) nie ma ograniczeń.
SavedModels wyeksportowane za pomocą interfejsu API TensorFlow 2 są kompatybilne z TensorFlow Serving, ale będą zawierać tylko sygnatury przewidywania. Sygnatury klasyfikacji i regresji zostały usunięte.
Jeśli potrzebujesz użyć sygnatur klasyfikacji i regresji, możesz zmodyfikować wyeksportowany model SavedModel za pomocą tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater
.
Następne kroki
Aby dowiedzieć się więcej o SavedModels w TensorFlow 2, zapoznaj się z następującymi przewodnikami:
Jeśli korzystasz z TensorFlow Hub, te przewodniki mogą okazać się przydatne: