이 페이지에서는 TensorFlow 프로그램에서 TensorFlow 2의 SavedModel 형식으로 모델을 내보내는(저장하는) 방법을 자세히 설명합니다. 이 형식은 TensorFlow 허브에서 사전 학습된 모델 및 모델 조각을 공유하는 권장 방법으로, 이전 TF1 허브 형식을 대체하고 새로운 API 세트와 함께 제공됩니다. TF1 허브 형식 내보내기에서 TF1 허브 형식 모델을 내보내기 위한 자세한 정보를 찾아볼 수 있습니다. TensorFlow Hub에서 공유하기 위해 SavedModel을 압축하는 방법에 대한 자세한 내용은 여기를 참조하세요.
일부 모델 구축 도구 키트는 이미 이를 위한 도구를 제공합니다(예: 아래에서 TensorFlow Model Garden 참조).
개요
SavedModel은 훈련된 모델 또는 모델 조각에 대한 TensorFlow의 표준 직렬화 형식입니다. 이 모델은 계산을 수행하기 위해 모델의 훈련된 가중치를 정확한 TensorFlow 연산과 함께 저장하며, 이 모델이 생성된 출처 코드와 독립적으로 사용할 수 있습니다. 특히, TensorFlow 연산이 공통된 기본 언어이기 때문에 Keras와 같은 다양한 상위 수준 모델 구축 API에서 재사용할 수 있습니다.
Keras에서 저장하기
TensorFlow 2부터 tf.keras.Model.save() 및 tf.keras.models.save_model()은 기본적으로 SavedModel 형식(HDF5 아님)을 사용합니다. 이렇게 얻어진 SavedModel은 hub.load(), hub.KerasLayer 및 앞으로 제공될 다른 유사한 고수준 API 어댑터와 함께 사용할 수 있습니다.
전체 Keras 모델을 공유하려면 간단히 include_optimizer=False를 저장합니다.
Keras 모델의 조각을 공유하려면 해당 부분 자체를 모델로 만든 다음 저장합니다. 처음부터 그와 같이 코드를 배치할 수 있습니다.
piece_to_share = tf.keras.Model(...)
full_model = tf.keras.Sequential([piece_to_share, ...])
full_model.fit(...)
piece_to_share.save(...)
또는 팩트 이후에 공유할 조각을 잘라냅니다(전체 모델의 레이어와 일치하는 경우).
full_model = tf.keras.Model(...)
sharing_input = full_model.get_layer(...).get_output_at(0)
sharing_output = full_model.get_layer(...).get_output_at(0)
piece_to_share = tf.keras.Model(sharing_input, sharing_output)
piece_to_share.save(..., include_optimizer=False)
GitHub에서 TensorFlow 모델은 BERT에 대해 전자의 접근 방식을 사용하고(nlp/tools/export_tfhub_lib.py 참조, 내보내기를 위한 core_model과 체크포인트 복원을 위한 pretrainer가 분리된 것에 주목) ResNet에는 후자의 접근 방식을 사용합니다(legacy/image_classification/tfhub_export.py 참조).
저수준 TensorFlow에서 저장하기
이를 위해서는 TensorFlow의 SavedModel 가이드 내용을 잘 알고 있어야 합니다.
서비스 서명 그 이상을 제공하려면 재사용 가능한 SavedModel 인터페이스를 구현해야 합니다. 개념적으로 이 내용은 다음과 같습니다.
class MyMulModel(tf.train.Checkpoint):
def __init__(self, v_init):
super().__init__()
self.v = tf.Variable(v_init)
self.variables = [self.v]
self.trainable_variables = [self.v]
self.regularization_losses = [
tf.function(input_signature=[])(lambda: 0.001 * self.v**2),
]
@tf.function(input_signature=[tf.TensorSpec(shape=None, dtype=tf.float32)])
def __call__(self, inputs):
return tf.multiply(inputs, self.v)
tf.saved_model.save(MyMulModel(2.0), "/tmp/my_mul")
layer = hub.KerasLayer("/tmp/my_mul")
print(layer([10., 20.])) # [20., 40.]
layer.trainable = True
print(layer.trainable_weights) # [2.]
print(layer.losses) # 0.004
SavedModel 제작자를 위한 조언
TensorFlow 허브에서 공유하기 위해 SavedModel을 만들 때 소비자가 모델을 미세 조정해야 하는지, 해야 한다면 어떻게 해야 하는지 미리 생각하고 문서에 지침을 제공하세요.
Keras 모델에서 저장하면 미세 조정의 모든 메커니즘이 동작합니다(가중치 정규화 손실 방지, 훈련 가능한 변수 선언, training=True 및 training=False 모두에 대해 __call__ 추적 등).
그래디언트 흐름과 잘 어울리는 모델 인터페이스(예: 소프트맥스 확률 또는 top-k 예측 대신 출력 로짓)를 선택합니다.
모델이 드롭아웃, 배치 정규화 또는 하이퍼 매개변수를 포함하는 유사한 학습 기술을 사용하는 경우 예상되는 많은 대상 문제 및 배치 크기에서 의미가 있는 값으로 설정합니다(이 글을 쓰는 시점에서 Keras에서 저장하면 소비자가 쉽게 조정할 수 없습니다).
개별 레이어의 가중치 regularizer는 (정규화 강도 계수와 함께) 저장되지만 옵티마이저 내에서 가중치 정규화(예: tf.keras.optimizers.Ftrl.l1_regularization_strength=...))는 손실됩니다. 따라서 SavedModel의 소비자에게 적절한 고지를 해주기 바랍니다.
TensorFlow Model Garden
TensorFlow Model Garden 리포지토리에는 tfhub.dev에 업로드할 재사용 가능한 TF2 저장된 모델을 만드는 많은 예제가 포함되어 있습니다.
커뮤니티 요청
TensorFlow 허브 팀은 tfhub.dev에서 사용할 수 있는 자산의 극히 일부만 생성합니다. 주로 Google 및 Deepmind의 연구원, 기업 및 학술 연구 기관, ML 애호가에게 모델 제작을 의존하고 있습니다. 결과적으로 특정 자산에 대한 커뮤니티 요청을 이행할 수 있다고 보장할 수 없으며 새로운 자산을 언제 제공할 수 있을 지에 대한 확답도 해줄 수 없습니다.
아래의 커뮤니티 모델 요청 이정표에는 특정 자산에 대한 커뮤니티의 요청이 포함되어 있습니다. 여러분 또는 알고 있는 다른 사람이 자산을 제작하고 tfhub.dev에서 공유하는 데 관심이 있다면 제출을 환영합니다!