หลังจากคุณฝึกโมเดลใน Tensorflow:
- คุณจะบันทึกโมเดลที่ได้รับการฝึกฝนอย่างไร
- คุณจะคืนค่าโมเดลที่บันทึกไว้ในภายหลังได้อย่างไร
หลังจากคุณฝึกโมเดลใน Tensorflow:
คำตอบ:
บทแนะนำแบบละเอียดและมีประโยชน์ -> https://www.tensorflow.org/guide/saved_model
Keras คำแนะนำโดยละเอียดเพื่อบันทึกโมเดล -> https://www.tensorflow.org/guide/keras/save_and_serialize
จากเอกสาร:
# Create some variables.
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
v2 = tf.get_variable("v2", shape=[5], initializer = tf.zeros_initializer)
inc_v1 = v1.assign(v1+1)
dec_v2 = v2.assign(v2-1)
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, initialize the variables, do some work, and save the
# variables to disk.
with tf.Session() as sess:
sess.run(init_op)
# Do some work with the model.
inc_v1.op.run()
dec_v2.op.run()
# Save the variables to disk.
save_path = saver.save(sess, "/tmp/model.ckpt")
print("Model saved in path: %s" % save_path)
tf.reset_default_graph()
# Create some variables.
v1 = tf.get_variable("v1", shape=[3])
v2 = tf.get_variable("v2", shape=[5])
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
# Restore variables from disk.
saver.restore(sess, "/tmp/model.ckpt")
print("Model restored.")
# Check the values of the variables
print("v1 : %s" % v1.eval())
print("v2 : %s" % v2.eval())
ยังคงเป็นรุ่นเบต้าดังนั้นฉันจะแนะนำในตอนนี้ หากคุณยังต้องการลงไปที่ถนนนี่คือtf.saved_model
คู่มือการใช้งาน
simple_save
คำตอบที่ดีมากเพื่อความสมบูรณ์ฉันจะเพิ่ม 2 เซ็นต์ของฉัน: simple_save นอกจากนี้ยังมีตัวอย่างรหัสแบบสแตนด์อโลนโดยใช้tf.data.Dataset
API
Python 3; Tensorflow 1.14
import tensorflow as tf
from tensorflow.saved_model import tag_constants
with tf.Graph().as_default():
with tf.Session() as sess:
...
# Saving
inputs = {
"batch_size_placeholder": batch_size_placeholder,
"features_placeholder": features_placeholder,
"labels_placeholder": labels_placeholder,
}
outputs = {"prediction": model_output}
tf.saved_model.simple_save(
sess, 'path/to/your/location/', inputs, outputs
)
การกู้คืน:
graph = tf.Graph()
with restored_graph.as_default():
with tf.Session() as sess:
tf.saved_model.loader.load(
sess,
[tag_constants.SERVING],
'path/to/your/location/',
)
batch_size_placeholder = graph.get_tensor_by_name('batch_size_placeholder:0')
features_placeholder = graph.get_tensor_by_name('features_placeholder:0')
labels_placeholder = graph.get_tensor_by_name('labels_placeholder:0')
prediction = restored_graph.get_tensor_by_name('dense/BiasAdd:0')
sess.run(prediction, feed_dict={
batch_size_placeholder: some_value,
features_placeholder: some_other_value,
labels_placeholder: another_value
})
รหัสต่อไปนี้สร้างข้อมูลแบบสุ่มเพื่อการสาธิต
Dataset
Iterator
เราได้รับเมตริกซ์ที่สร้างขึ้นของ iterator ที่เรียกว่าinput_tensor
ซึ่งจะทำหน้าที่เป็นข้อมูลป้อนเข้าโมเดลของเราinput_tensor
: RNN แบบสองทิศทางที่อิงกับ GRU ตามด้วยตัวจําแนกแบบหนาแน่น เพราะเหตุใดsoftmax_cross_entropy_with_logits
, Adam
การเพิ่มประสิทธิภาพด้วย หลังจากนั้น 2 epochs (2 สำหรับกระบวนการแต่ละ) เราประหยัด "ได้รับการฝึกฝน" tf.saved_model.simple_save
รูปแบบด้วย หากคุณเรียกใช้รหัสตามเดิมโมเดลจะถูกบันทึกไว้ในโฟลเดอร์ที่เรียกว่าsimple/
ในไดเรกทอรีการทำงานปัจจุบันของคุณtf.saved_model.loader.load
ในกราฟใหม่เราแล้วเรียกคืนรุ่นที่บันทึกไว้ด้วย เราคว้าตัวยึดและ logits กับgraph.get_tensor_by_name
และการดำเนินงานเริ่มต้นด้วยIterator
graph.get_operation_by_name
รหัส:
import os
import shutil
import numpy as np
import tensorflow as tf
from tensorflow.python.saved_model import tag_constants
def model(graph, input_tensor):
"""Create the model which consists of
a bidirectional rnn (GRU(10)) followed by a dense classifier
Args:
graph (tf.Graph): Tensors' graph
input_tensor (tf.Tensor): Tensor fed as input to the model
Returns:
tf.Tensor: the model's output layer Tensor
"""
cell = tf.nn.rnn_cell.GRUCell(10)
with graph.as_default():
((fw_outputs, bw_outputs), (fw_state, bw_state)) = tf.nn.bidirectional_dynamic_rnn(
cell_fw=cell,
cell_bw=cell,
inputs=input_tensor,
sequence_length=[10] * 32,
dtype=tf.float32,
swap_memory=True,
scope=None)
outputs = tf.concat((fw_outputs, bw_outputs), 2)
mean = tf.reduce_mean(outputs, axis=1)
dense = tf.layers.dense(mean, 5, activation=None)
return dense
def get_opt_op(graph, logits, labels_tensor):
"""Create optimization operation from model's logits and labels
Args:
graph (tf.Graph): Tensors' graph
logits (tf.Tensor): The model's output without activation
labels_tensor (tf.Tensor): Target labels
Returns:
tf.Operation: the operation performing a stem of Adam optimizer
"""
with graph.as_default():
with tf.variable_scope('loss'):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
logits=logits, labels=labels_tensor, name='xent'),
name="mean-xent"
)
with tf.variable_scope('optimizer'):
opt_op = tf.train.AdamOptimizer(1e-2).minimize(loss)
return opt_op
if __name__ == '__main__':
# Set random seed for reproducibility
# and create synthetic data
np.random.seed(0)
features = np.random.randn(64, 10, 30)
labels = np.eye(5)[np.random.randint(0, 5, (64,))]
graph1 = tf.Graph()
with graph1.as_default():
# Random seed for reproducibility
tf.set_random_seed(0)
# Placeholders
batch_size_ph = tf.placeholder(tf.int64, name='batch_size_ph')
features_data_ph = tf.placeholder(tf.float32, [None, None, 30], 'features_data_ph')
labels_data_ph = tf.placeholder(tf.int32, [None, 5], 'labels_data_ph')
# Dataset
dataset = tf.data.Dataset.from_tensor_slices((features_data_ph, labels_data_ph))
dataset = dataset.batch(batch_size_ph)
iterator = tf.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)
dataset_init_op = iterator.make_initializer(dataset, name='dataset_init')
input_tensor, labels_tensor = iterator.get_next()
# Model
logits = model(graph1, input_tensor)
# Optimization
opt_op = get_opt_op(graph1, logits, labels_tensor)
with tf.Session(graph=graph1) as sess:
# Initialize variables
tf.global_variables_initializer().run(session=sess)
for epoch in range(3):
batch = 0
# Initialize dataset (could feed epochs in Dataset.repeat(epochs))
sess.run(
dataset_init_op,
feed_dict={
features_data_ph: features,
labels_data_ph: labels,
batch_size_ph: 32
})
values = []
while True:
try:
if epoch < 2:
# Training
_, value = sess.run([opt_op, logits])
print('Epoch {}, batch {} | Sample value: {}'.format(epoch, batch, value[0]))
batch += 1
else:
# Final inference
values.append(sess.run(logits))
print('Epoch {}, batch {} | Final inference | Sample value: {}'.format(epoch, batch, values[-1][0]))
batch += 1
except tf.errors.OutOfRangeError:
break
# Save model state
print('\nSaving...')
cwd = os.getcwd()
path = os.path.join(cwd, 'simple')
shutil.rmtree(path, ignore_errors=True)
inputs_dict = {
"batch_size_ph": batch_size_ph,
"features_data_ph": features_data_ph,
"labels_data_ph": labels_data_ph
}
outputs_dict = {
"logits": logits
}
tf.saved_model.simple_save(
sess, path, inputs_dict, outputs_dict
)
print('Ok')
# Restoring
graph2 = tf.Graph()
with graph2.as_default():
with tf.Session(graph=graph2) as sess:
# Restore saved values
print('\nRestoring...')
tf.saved_model.loader.load(
sess,
[tag_constants.SERVING],
path
)
print('Ok')
# Get restored placeholders
labels_data_ph = graph2.get_tensor_by_name('labels_data_ph:0')
features_data_ph = graph2.get_tensor_by_name('features_data_ph:0')
batch_size_ph = graph2.get_tensor_by_name('batch_size_ph:0')
# Get restored model output
restored_logits = graph2.get_tensor_by_name('dense/BiasAdd:0')
# Get dataset initializing operation
dataset_init_op = graph2.get_operation_by_name('dataset_init')
# Initialize restored dataset
sess.run(
dataset_init_op,
feed_dict={
features_data_ph: features,
labels_data_ph: labels,
batch_size_ph: 32
}
)
# Compute inference for both batches in dataset
restored_values = []
for i in range(2):
restored_values.append(sess.run(restored_logits))
print('Restored values: ', restored_values[i][0])
# Check if original inference and restored inference are equal
valid = all((v == rv).all() for v, rv in zip(values, restored_values))
print('\nInferences match: ', valid)
สิ่งนี้จะพิมพ์:
$ python3 save_and_restore.py
Epoch 0, batch 0 | Sample value: [-0.13851789 -0.3087595 0.12804556 0.20013677 -0.08229901]
Epoch 0, batch 1 | Sample value: [-0.00555491 -0.04339041 -0.05111827 -0.2480045 -0.00107776]
Epoch 1, batch 0 | Sample value: [-0.19321944 -0.2104792 -0.00602257 0.07465433 0.11674127]
Epoch 1, batch 1 | Sample value: [-0.05275984 0.05981954 -0.15913513 -0.3244143 0.10673307]
Epoch 2, batch 0 | Final inference | Sample value: [-0.26331693 -0.13013336 -0.12553 -0.04276478 0.2933622 ]
Epoch 2, batch 1 | Final inference | Sample value: [-0.07730117 0.11119192 -0.20817074 -0.35660955 0.16990358]
Saving...
INFO:tensorflow:Assets added to graph.
INFO:tensorflow:No assets to write.
INFO:tensorflow:SavedModel written to: b'/some/path/simple/saved_model.pb'
Ok
Restoring...
INFO:tensorflow:Restoring parameters from b'/some/path/simple/variables/variables'
Ok
Restored values: [-0.26331693 -0.13013336 -0.12553 -0.04276478 0.2933622 ]
Restored values: [-0.07730117 0.11119192 -0.20817074 -0.35660955 0.16990358]
Inferences match: True
tf.contrib.layers
?
[n.name for n in graph2.as_graph_def().node]
คุณสามารถตรวจสอบการทำงาน ตามที่เอกสารระบุว่าการบันทึกอย่างง่ายมีจุดมุ่งหมายเพื่อลดความซับซ้อนของการโต้ตอบกับการแสดงผลของเทนเซอร์โฟลว์นี่คือจุดโต้แย้ง อย่างไรก็ตามตัวแปรอื่น ๆ ยังคงถูกกู้คืนมิฉะนั้นการอนุมานจะไม่เกิดขึ้น เพียงแค่หยิบตัวแปรที่คุณสนใจตามตัวอย่าง ตรวจสอบเอกสาร
global_step
เป็นอาร์กิวเมนต์ถ้าคุณหยุดแล้วพยายามที่จะรับการฝึกอบรมอีกครั้งก็จะคิดว่าคุณเป็นหนึ่งในขั้นตอนเดียว มันจะทำให้การสร้างภาพบนบอร์ดเมตริกซ์ของคุณน้อยที่สุด
ฉันกำลังปรับปรุงคำตอบของฉันเพื่อเพิ่มรายละเอียดเพิ่มเติมสำหรับการบันทึกและกู้คืนโมเดล
ใน (และหลัง) Tensorflow เวอร์ชั่น 0.11 :
บันทึกโมเดล:
import tensorflow as tf
#Prepare to feed input, i.e. feed_dict and placeholders
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
feed_dict ={w1:4,w2:8}
#Define a test operation that we will restore
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#Create a saver object which will save all the variables
saver = tf.train.Saver()
#Run the operation by feeding input
print sess.run(w4,feed_dict)
#Prints 24 which is sum of (w1+w2)*b1
#Now, save the graph
saver.save(sess, 'my_test_model',global_step=1000)
กู้คืนโมเดล:
import tensorflow as tf
sess=tf.Session()
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))
# Access saved Variables directly
print(sess.run('bias:0'))
# This will print 2, which is the value of bias that we saved
# Now, let's access and create placeholders variables and
# create feed-dict to feed new data
graph = tf.get_default_graph()
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}
#Now, access the op that you want to run.
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
print sess.run(op_to_restore,feed_dict)
#This will print 60 which is calculated
กรณีนี้และการใช้งานขั้นสูงอื่น ๆ ได้รับการอธิบายได้ดีมากที่นี่
บทแนะนำฉบับย่อที่สมบูรณ์เพื่อบันทึกและกู้คืนโมเดล Tensorflow
:0
ชื่อ?
ใน (และหลัง) TensorFlow รุ่น 0.11.0RC1 คุณสามารถบันทึกและเรียกคืนรูปแบบของคุณได้โดยตรงโดยการโทรtf.train.export_meta_graph
และtf.train.import_meta_graph
ตามhttps://www.tensorflow.org/programmers_guide/meta_graph
w1 = tf.Variable(tf.truncated_normal(shape=[10]), name='w1')
w2 = tf.Variable(tf.truncated_normal(shape=[20]), name='w2')
tf.add_to_collection('vars', w1)
tf.add_to_collection('vars', w2)
saver = tf.train.Saver()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
saver.save(sess, 'my-model')
# `save` method will call `export_meta_graph` implicitly.
# you will get saved graph files:my-model.meta
sess = tf.Session()
new_saver = tf.train.import_meta_graph('my-model.meta')
new_saver.restore(sess, tf.train.latest_checkpoint('./'))
all_vars = tf.get_collection('vars')
for v in all_vars:
v_ = sess.run(v)
print(v_)
<built-in function TF_Run> returned a result with an error set
tf.get_variable_scope().reuse_variables()
var = tf.get_variable("varname")
สิ่งนี้ทำให้ฉันเกิดข้อผิดพลาด: "ValueError: ตัวแปร varname ไม่มีอยู่หรือไม่ได้ถูกสร้างขึ้นด้วย tf.get_variable ()" ทำไม? สิ่งนี้เป็นไปไม่ได้หรือไม่?
สำหรับ TensorFlow เวอร์ชั่น <0.11.0RC1:
จุดตรวจที่ถูกบันทึกมีค่าสำหรับ Variable
s ในแบบจำลองของคุณไม่ใช่แบบ / กราฟเองซึ่งหมายความว่ากราฟควรเหมือนกันเมื่อคุณคืนค่าจุดตรวจสอบ
นี่คือตัวอย่างสำหรับการถดถอยเชิงเส้นที่มีลูปการฝึกอบรมที่บันทึกจุดตรวจตัวแปรและส่วนการประเมินผลที่จะคืนค่าตัวแปรที่บันทึกไว้ในการเรียกใช้ก่อนหน้าและคำนวณการคาดการณ์ แน่นอนคุณสามารถกู้คืนตัวแปรและดำเนินการฝึกอบรมได้หากต้องการ
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
w = tf.Variable(tf.zeros([1, 1], dtype=tf.float32))
b = tf.Variable(tf.ones([1, 1], dtype=tf.float32))
y_hat = tf.add(b, tf.matmul(x, w))
...more setup for optimization and what not...
saver = tf.train.Saver() # defaults to saving all variables - in this case w and b
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
if FLAGS.train:
for i in xrange(FLAGS.training_steps):
...training loop...
if (i + 1) % FLAGS.checkpoint_steps == 0:
saver.save(sess, FLAGS.checkpoint_dir + 'model.ckpt',
global_step=i+1)
else:
# Here's where you're restoring the variables w and b.
# Note that the graph is exactly as it was when the variables were
# saved in a prior training run.
ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)
else:
...no checkpoint found...
# Now you can run the model to get predictions
batch_x = ...load some data...
predictions = sess.run(y_hat, feed_dict={x: batch_x})
นี่คือ เอกสารสำหรับVariable
s ซึ่งครอบคลุมการบันทึกและการกู้คืน และนี่เป็นเอกสารSaver
สำหรับ
batch_x
จำเป็นต้องเป็นอย่างไร ไบนารี่? อาร์เรย์จำนวนมาก?
undefined
ธงให้ข้อผิดพลาด คุณช่วยบอกฉันได้ไหมว่า def ใดของธงนี้ @RyanSepassi
สภาพแวดล้อมของฉัน: Python 3.6, Tensorflow 1.3.0
tf.train.Saver
แม้ว่าจะมีการแก้ไขปัญหามากที่สุดของพวกเขาจะขึ้นอยู่กับ เมื่อเราโหลด.ckpt
บันทึกไว้โดยSaver
เรามีทั้ง redefine เครือข่าย tensorflow หรือใช้ชื่อแปลกและยากจำบางอย่างเช่น,'placehold_0:0'
'dense/Adam/Weight:0'
ที่นี่ฉันแนะนำให้ใช้tf.saved_model
หนึ่งตัวอย่างที่ง่ายที่สุดที่ระบุด้านล่างคุณสามารถเรียนรู้เพิ่มเติมจากการใช้แบบจำลอง TensorFlow :
บันทึกโมเดล:
import tensorflow as tf
# define the tensorflow network and do some trains
x = tf.placeholder("float", name="x")
w = tf.Variable(2.0, name="w")
b = tf.Variable(0.0, name="bias")
h = tf.multiply(x, w)
y = tf.add(h, b, name="y")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
# save the model
export_path = './savedmodel'
builder = tf.saved_model.builder.SavedModelBuilder(export_path)
tensor_info_x = tf.saved_model.utils.build_tensor_info(x)
tensor_info_y = tf.saved_model.utils.build_tensor_info(y)
prediction_signature = (
tf.saved_model.signature_def_utils.build_signature_def(
inputs={'x_input': tensor_info_x},
outputs={'y_output': tensor_info_y},
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME))
builder.add_meta_graph_and_variables(
sess, [tf.saved_model.tag_constants.SERVING],
signature_def_map={
tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:
prediction_signature
},
)
builder.save()
โหลดแบบจำลอง:
import tensorflow as tf
sess=tf.Session()
signature_key = tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY
input_key = 'x_input'
output_key = 'y_output'
export_path = './savedmodel'
meta_graph_def = tf.saved_model.loader.load(
sess,
[tf.saved_model.tag_constants.SERVING],
export_path)
signature = meta_graph_def.signature_def
x_tensor_name = signature[signature_key].inputs[input_key].name
y_tensor_name = signature[signature_key].outputs[output_key].name
x = sess.graph.get_tensor_by_name(x_tensor_name)
y = sess.graph.get_tensor_by_name(y_tensor_name)
y_out = sess.run(y, {x: 3.0})
มีสองส่วนรูปแบบความหมายรูปแบบการบันทึกไว้โดยมีความSupervisor
เป็นgraph.pbtxt
อยู่ในไดเรกทอรีรูปแบบและค่าตัวเลขของเทนเซอร์, บันทึกลงในไฟล์เช่นด่านmodel.ckpt-1003418
บันทึกลงในไฟล์เช่นด่าน
คำจำกัดความของแบบจำลองสามารถเรียกคืนได้โดยใช้tf.import_graph_def
และน้ำหนักจะถูกกู้คืนโดยใช้Saver
และน้ำหนักที่มีการเรียกคืนการใช้
อย่างไรก็ตามSaver
ใช้รายการการเก็บพิเศษของตัวแปรที่แนบมากับกราฟของโมเดลและคอลเลกชันนี้ไม่ได้เริ่มต้นโดยใช้ import_graph_def ดังนั้นคุณจึงไม่สามารถใช้ทั้งสองร่วมกันได้ในขณะนี้ (อยู่ในแผนงานของเราในการแก้ไข) สำหรับตอนนี้คุณต้องใช้วิธีการของ Ryan Sepassi - สร้างกราฟด้วยชื่อโหนดที่เหมือนกันและใช้Saver
ในการโหลดน้ำหนักเข้าไป
(อีกวิธีหนึ่งคุณสามารถแฮ็คมันได้โดยใช้import_graph_def
การสร้างตัวแปรด้วยตนเองและใช้tf.add_to_collection(tf.GraphKeys.VARIABLES, variable)
สำหรับแต่ละตัวแปรจากนั้นใช้Saver
)
คุณสามารถใช้วิธีนี้ได้ง่ายขึ้น
W1 = tf.Variable(tf.truncated_normal([6, 6, 1, K], stddev=0.1), name="W1")
B1 = tf.Variable(tf.constant(0.1, tf.float32, [K]), name="B1")
Similarly, W2, B2, W3, .....
Saver
และบันทึกmodel_saver = tf.train.Saver()
# Train the model and save it in the end
model_saver.save(session, "saved_models/CNN_New.ckpt")
with tf.Session(graph=graph_cnn) as session:
model_saver.restore(session, "saved_models/CNN_New.ckpt")
print("Model restored.")
print('Initialized')
W1 = session.run(W1)
print(W1)
ในขณะที่ทำงานในอินสแตนซ์ python ที่แตกต่างกันให้ใช้
with tf.Session() as sess:
# Restore latest checkpoint
saver.restore(sess, tf.train.latest_checkpoint('saved_model/.'))
# Initalize the variables
sess.run(tf.global_variables_initializer())
# Get default graph (supply your custom graph if you have one)
graph = tf.get_default_graph()
# It will give tensor object
W1 = graph.get_tensor_by_name('W1:0')
# To get the value (numpy array)
W1_value = session.run(W1)
ในกรณีส่วนใหญ่การบันทึกและกู้คืนจากดิสก์โดยใช้ a tf.train.Saver
เป็นตัวเลือกที่ดีที่สุดของคุณ:
... # build your model
saver = tf.train.Saver()
with tf.Session() as sess:
... # train the model
saver.save(sess, "/tmp/my_great_model")
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_great_model")
... # use the model
นอกจากนี้คุณยังสามารถบันทึก / กู้คืนโครงสร้างกราฟตัวเอง (ดูเอกสาร MetaGraphสำหรับรายละเอียด) โดยค่าเริ่มต้นการSaver
บันทึกโครงสร้างกราฟลงใน.meta
ไฟล์ คุณสามารถโทรimport_meta_graph()
เพื่อคืนค่าได้ มันคืนค่าโครงสร้างกราฟและส่งกลับค่าSaver
ที่คุณสามารถใช้เพื่อกู้คืนสถานะของโมเดล:
saver = tf.train.import_meta_graph("/tmp/my_great_model.meta")
with tf.Session() as sess:
saver.restore(sess, "/tmp/my_great_model")
... # use the model
อย่างไรก็ตามมีบางกรณีที่คุณต้องการบางสิ่งที่เร็วกว่ามาก ตัวอย่างเช่นหากคุณใช้การหยุดก่อนกำหนดคุณต้องการบันทึกจุดตรวจทุกครั้งที่แบบจำลองปรับปรุงระหว่างการฝึกอบรม (วัดจากชุดการตรวจสอบความถูกต้อง) จากนั้นหากไม่มีความคืบหน้าในบางครั้งคุณต้องการย้อนกลับไปเป็นรุ่นที่ดีที่สุด หากคุณบันทึกโมเดลลงในดิสก์ทุกครั้งที่มีการปรับปรุงมันจะช้าลงอย่างมากในการฝึกอบรม เคล็ดลับคือการบันทึกตัวแปรสถานะไว้ในหน่วยความจำจากนั้นเพียงกู้คืนพวกเขาในภายหลัง:
... # build your model
# get a handle on the graph nodes we need to save/restore the model
graph = tf.get_default_graph()
gvars = graph.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)
assign_ops = [graph.get_operation_by_name(v.op.name + "/Assign") for v in gvars]
init_values = [assign_op.inputs[1] for assign_op in assign_ops]
with tf.Session() as sess:
... # train the model
# when needed, save the model state to memory
gvars_state = sess.run(gvars)
# when needed, restore the model state
feed_dict = {init_value: val
for init_value, val in zip(init_values, gvars_state)}
sess.run(assign_ops, feed_dict=feed_dict)
คำอธิบายอย่างรวดเร็ว: เมื่อคุณสร้างตัวแปรX
TensorFlow จะสร้างการดำเนินการที่มอบหมายโดยอัตโนมัติX/Assign
เพื่อตั้งค่าเริ่มต้นของตัวแปร แทนที่จะสร้างตัวยึดตำแหน่งและการมอบหมายพิเศษ (ซึ่งจะทำให้กราฟยุ่งเหยิง) เราเพียงแค่ใช้ตัวกำหนดที่มีอยู่เหล่านี้ อินพุตแรกของแต่ละการกำหนด op คือการอ้างอิงไปยังตัวแปรที่ควรเริ่มต้นและอินพุตที่สอง ( assign_op.inputs[1]
) คือค่าเริ่มต้น ดังนั้นในการตั้งค่าใด ๆ ที่เราต้องการ (แทนที่จะเป็นค่าเริ่มต้น) เราจำเป็นต้องใช้feed_dict
และแทนที่ค่าเริ่มต้น ใช่ TensorFlow ช่วยให้คุณป้อนค่าสำหรับตัวเลือกใด ๆ ไม่ใช่เฉพาะสำหรับตัวยึดดังนั้นจึงใช้งานได้ดี
ดังที่ Yaroslav กล่าวคุณสามารถแฮ็กการกู้คืนจาก graph_def และจุดตรวจสอบโดยการนำเข้ากราฟสร้างตัวแปรด้วยตนเองแล้วใช้ Saver
ฉันใช้สิ่งนี้เพื่อการใช้งานส่วนตัวของฉันดังนั้นฉันถึงแม้ว่าฉันจะแบ่งปันรหัสที่นี่
ลิงก์: https://gist.github.com/nikitakit/6ef3b72be67b86cb7868
(แน่นอนว่าเป็นแฮ็คและไม่มีการรับประกันว่าแบบจำลองที่บันทึกด้วยวิธีนี้จะยังคงสามารถอ่านได้ใน TensorFlow เวอร์ชันในอนาคต)
หากเป็นรุ่นที่บันทึกไว้ภายในคุณเพียงระบุ restorer สำหรับตัวแปรทั้งหมดเป็น
restorer = tf.train.Saver(tf.all_variables())
และใช้เพื่อเรียกคืนตัวแปรในเซสชันปัจจุบัน:
restorer.restore(self._sess, model_file)
สำหรับโมเดลภายนอกคุณต้องระบุการแม็พจากชื่อตัวแปรไปยังชื่อตัวแปรของคุณ คุณสามารถดูชื่อตัวแปรโมเดลโดยใช้คำสั่ง
python /path/to/tensorflow/tensorflow/python/tools/inspect_checkpoint.py --file_name=/path/to/pretrained_model/model.ckpt
สคริปต์ inspect_checkpoint.py สามารถพบได้ในโฟลเดอร์ './tensorflow/python/tools' ของแหล่ง Tensorflow
ในการระบุการแมปคุณสามารถใช้Tensorflow-Worklabของฉันซึ่งมีชุดคลาสและสคริปต์เพื่อฝึกอบรมและฝึกสอนโมเดลที่แตกต่างกัน มันมีตัวอย่างของการฝึกอบรม ResNet รุ่นใหม่อยู่ที่นี่
all_variables()
เลิกใช้แล้วตอนนี้
ต่อไปนี้เป็นคำตอบง่ายๆของฉันสำหรับกรณีพื้นฐานสองกรณีที่แตกต่างกันไม่ว่าคุณต้องการโหลดกราฟจากไฟล์หรือสร้างในระหว่างรันไทม์
คำตอบนี้มีไว้สำหรับ Tensorflow 0.12+ (รวมถึง 1.0)
graph = ... # build the graph
saver = tf.train.Saver() # create the saver after the graph
with ... as sess: # your session object
saver.save(sess, 'my-model')
graph = ... # build the graph
saver = tf.train.Saver() # create the saver after the graph
with ... as sess: # your session object
saver.restore(sess, tf.train.latest_checkpoint('./'))
# now you can use the graph, continue training or whatever
เมื่อใช้เทคนิคนี้ตรวจสอบให้แน่ใจว่าเลเยอร์ / ตัวแปรทั้งหมดของคุณได้ตั้งชื่อที่ไม่ซ้ำกันอย่างชัดเจนมิฉะนั้น Tensorflow จะทำให้ชื่อไม่ซ้ำกันและจะแตกต่างจากชื่อที่เก็บไว้ในไฟล์ มันไม่ได้เป็นปัญหาในเทคนิคก่อนหน้านี้เพราะชื่อ "mangled" เป็นวิธีเดียวกันในการโหลดและบันทึก
graph = ... # build the graph
for op in [ ... ]: # operators you want to use after restoring the model
tf.add_to_collection('ops_to_restore', op)
saver = tf.train.Saver() # create the saver after the graph
with ... as sess: # your session object
saver.save(sess, 'my-model')
with ... as sess: # your session object
saver = tf.train.import_meta_graph('my-model.meta')
saver.restore(sess, tf.train.latest_checkpoint('./'))
ops = tf.get_collection('ops_to_restore') # here are your operators in the same order in which you saved them to the collection
global_step
ตัวแปรและค่าเฉลี่ยเคลื่อนที่ของการปรับสภาพแบทช์เป็นตัวแปรที่ไม่สามารถฝึกอบรมได้ แต่ทั้งคู่คุ้มค่าที่จะประหยัดแน่นอน นอกจากนี้คุณควรแยกความแตกต่างการสร้างกราฟให้ชัดเจนยิ่งขึ้นตัวอย่างเช่นSaver(...).save()
จะสร้างโหนดใหม่ทุกครั้งที่คุณเรียกใช้ อาจไม่ใช่สิ่งที่คุณต้องการ และยังมีอีกมาก ... : /
คุณยังสามารถดูตัวอย่างในTensorFlow / skflowซึ่งมีข้อเสนอsave
และrestore
วิธีการที่จะช่วยคุณจัดการโมเดลของคุณได้อย่างง่ายดาย มีพารามิเตอร์ที่คุณสามารถควบคุมความถี่ที่คุณต้องการสำรองโมเดลของคุณ
หากคุณใช้tf.train.MonitoredTrainingSessionเป็นเซสชั่นเริ่มต้นคุณไม่จำเป็นต้องเพิ่มรหัสพิเศษเพื่อบันทึก / เรียกคืนสิ่งต่าง ๆ เพียงส่งชื่อ dir ไปยังตัวสร้างของ MonitoredTrainingSession ก็จะใช้ session hooks เพื่อจัดการสิ่งเหล่านี้
คำตอบทั้งหมดที่นี่ยอดเยี่ยม แต่ฉันต้องการเพิ่มสองสิ่ง
ก่อนอื่นให้อธิบายอย่างละเอียดกับคำตอบของ @ user7505159 "./" อาจเป็นสิ่งสำคัญที่จะเพิ่มไปยังจุดเริ่มต้นของชื่อไฟล์ที่คุณกำลังกู้คืน
ตัวอย่างเช่นคุณสามารถบันทึกกราฟโดยไม่มี "./" ในชื่อไฟล์ดังนี้:
# Some graph defined up here with specific names
saver = tf.train.Saver()
save_file = 'model.ckpt'
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver.save(sess, save_file)
แต่ในการกู้คืนกราฟคุณอาจต้องเพิ่ม "./" ลงในไฟล์ชื่อ:
# Same graph defined up here
saver = tf.train.Saver()
save_file = './' + 'model.ckpt' # String addition used for emphasis
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
saver.restore(sess, save_file)
คุณไม่จำเป็นต้องใช้ "./" เสมอไป แต่อาจทำให้เกิดปัญหาขึ้นอยู่กับสภาพแวดล้อมและรุ่นของ TensorFlow
นอกจากนี้ยังต้องการพูดถึงว่าsess.run(tf.global_variables_initializer())
สามารถมีความสำคัญก่อนที่จะกู้คืนเซสชั่น
หากคุณได้รับข้อผิดพลาดเกี่ยวกับตัวแปรที่ไม่มีการกำหนดค่าเริ่มต้นเมื่อพยายามกู้คืนเซสชันที่บันทึกไว้ตรวจสอบให้แน่ใจว่าคุณได้รวมsess.run(tf.global_variables_initializer())
ก่อนหน้าsaver.restore(sess, save_file)
บรรทัด มันสามารถช่วยให้คุณปวดหัว
ตามที่อธิบายในปัญหา6255 :
use '**./**model_name.ckpt'
saver.restore(sess,'./my_model_final.ckpt')
แทน
saver.restore('my_model_final.ckpt')
ตามรุ่น Tensorflow ใหม่tf.train.Checkpoint
เป็นวิธีที่ดีกว่าในการบันทึกและกู้คืนแบบจำลอง:
Checkpoint.save
และCheckpoint.restore
เขียนและอ่านจุดตรวจตามวัตถุในทางตรงกันข้ามกับ tf.train.Saver ซึ่งเขียนและอ่านจุดตรวจตามตัวแปร. ชื่อ การตรวจจับแบบอิงวัตถุจะบันทึกกราฟของการพึ่งพาระหว่างวัตถุ Python (เลเยอร์, เครื่องมือปรับให้เหมาะสม, ตัวแปร, ฯลฯ ) ด้วยขอบที่มีชื่อและกราฟนี้ใช้เพื่อจับคู่ตัวแปรเมื่อเรียกคืนจุดตรวจสอบ มันจะมีความแข็งแกร่งกว่าการเปลี่ยนแปลงในโปรแกรม Python และช่วยสนับสนุนการคืนค่าเมื่อสร้างตัวแปรเมื่อเรียกใช้อย่างกระตือรือร้น ชอบtf.train.Checkpoint
มากกว่าtf.train.Saver
รหัสใหม่
นี่คือตัวอย่าง:
import tensorflow as tf
import os
tf.enable_eager_execution()
checkpoint_directory = "/tmp/training_checkpoints"
checkpoint_prefix = os.path.join(checkpoint_directory, "ckpt")
checkpoint = tf.train.Checkpoint(optimizer=optimizer, model=model)
status = checkpoint.restore(tf.train.latest_checkpoint(checkpoint_directory))
for _ in range(num_training_steps):
optimizer.minimize( ... ) # Variables will be restored on creation.
status.assert_consumed() # Optional sanity checks.
checkpoint.save(file_prefix=checkpoint_prefix)
สำหรับtensorflow 2.0มันง่ายเหมือน
# Save the model model.save('path_to_my_model.h5')
ในการกู้คืน:
new_model = tensorflow.keras.models.load_model('path_to_my_model.h5')
TF2.0
ฉันเห็นคำตอบที่ยอดเยี่ยมสำหรับการบันทึกแบบจำลองโดยใช้ TF1.x ฉันต้องการให้คำแนะนำเพิ่มเติมในการบันทึกtensorflow.keras
แบบจำลองซึ่งมีความซับซ้อนเล็กน้อยเนื่องจากมีหลายวิธีในการบันทึกแบบจำลอง
ที่นี่ฉันให้ตัวอย่างของการบันทึกtensorflow.keras
แบบจำลองไปยังmodel_path
โฟลเดอร์ภายใต้ไดเรกทอรีปัจจุบัน วิธีนี้ใช้ได้ดีกับ tensorflow (TF2.0) ล่าสุด ฉันจะอัปเดตคำอธิบายนี้หากมีการเปลี่ยนแปลงในอนาคตอันใกล้
import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist
#import data
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# create a model
def create_model():
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation=tf.nn.relu),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
# compile the model
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
return model
# Create a basic model instance
model=create_model()
model.fit(x_train, y_train, epochs=1)
loss, acc = model.evaluate(x_test, y_test,verbose=1)
print("Original model, accuracy: {:5.2f}%".format(100*acc))
# Save entire model to a HDF5 file
model.save('./model_path/my_model.h5')
# Recreate the exact same model, including weights and optimizer.
new_model = keras.models.load_model('./model_path/my_model.h5')
loss, acc = new_model.evaluate(x_test, y_test)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
หากคุณมีความสนใจในการบันทึกน้ำหนักแบบจำลองเท่านั้นจากนั้นโหลดน้ำหนักเพื่อเรียกคืนโมเดลจากนั้น
model.fit(x_train, y_train, epochs=5)
loss, acc = model.evaluate(x_test, y_test,verbose=1)
print("Original model, accuracy: {:5.2f}%".format(100*acc))
# Save the weights
model.save_weights('./checkpoints/my_checkpoint')
# Restore the weights
model = create_model()
model.load_weights('./checkpoints/my_checkpoint')
loss,acc = model.evaluate(x_test, y_test)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
# include the epoch in the file name. (uses `str.format`)
checkpoint_path = "training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(
checkpoint_path, verbose=1, save_weights_only=True,
# Save weights, every 5-epochs.
period=5)
model = create_model()
model.save_weights(checkpoint_path.format(epoch=0))
model.fit(train_images, train_labels,
epochs = 50, callbacks = [cp_callback],
validation_data = (test_images,test_labels),
verbose=0)
latest = tf.train.latest_checkpoint(checkpoint_dir)
new_model = create_model()
new_model.load_weights(latest)
loss, acc = new_model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# Custom Loss1 (for example)
@tf.function()
def customLoss1(yTrue,yPred):
return tf.reduce_mean(yTrue-yPred)
# Custom Loss2 (for example)
@tf.function()
def customLoss2(yTrue, yPred):
return tf.reduce_mean(tf.square(tf.subtract(yTrue,yPred)))
def create_model():
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation=tf.nn.relu),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy', customLoss1, customLoss2])
return model
# Create a basic model instance
model=create_model()
# Fit and evaluate model
model.fit(x_train, y_train, epochs=1)
loss, acc,loss1, loss2 = model.evaluate(x_test, y_test,verbose=1)
print("Original model, accuracy: {:5.2f}%".format(100*acc))
model.save("./model.h5")
new_model=tf.keras.models.load_model("./model.h5",custom_objects={'customLoss1':customLoss1,'customLoss2':customLoss2})
เมื่อเรามี ops ที่กำหนดเองดังในกรณีต่อไปนี้ ( tf.tile
) เราจำเป็นต้องสร้างฟังก์ชั่นและห่อด้วยเลเยอร์แลมบ์ดา ไม่เช่นนั้นโมเดลจะไม่สามารถบันทึกได้
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, Lambda
from tensorflow.keras import Model
def my_fun(a):
out = tf.tile(a, (1, tf.shape(a)[0]))
return out
a = Input(shape=(10,))
#out = tf.tile(a, (1, tf.shape(a)[0]))
out = Lambda(lambda x : my_fun(x))(a)
model = Model(a, out)
x = np.zeros((50,10), dtype=np.float32)
print(model(x).numpy())
model.save('my_model.h5')
#load the model
new_model=tf.keras.models.load_model("my_model.h5")
ฉันคิดว่าฉันได้ครอบคลุมหลายวิธีในการบันทึกแบบจำลอง tf.keras อย่างไรก็ตามยังมีอีกหลายวิธี โปรดแสดงความคิดเห็นด้านล่างหากคุณเห็นกรณีการใช้งานของคุณไม่ได้กล่าวถึงข้างต้น ขอบคุณ!
ใช้ tf.train.Saver เพื่อบันทึกโมเดล remerber คุณต้องระบุ var_list หากคุณต้องการลดขนาดของโมเดล val_list สามารถเป็น tf.trainable_variables หรือ tf.global_variables
คุณสามารถบันทึกตัวแปรในเครือข่ายโดยใช้
saver = tf.train.Saver()
saver.save(sess, 'path of save/fileName.ckpt')
ในการกู้คืนเครือข่ายเพื่อนำมาใช้ใหม่ในภายหลังหรือในสคริปต์อื่นให้ใช้:
saver = tf.train.Saver()
saver.restore(sess, tf.train.latest_checkpoint('path of save/')
sess.run(....)
จุดสำคัญ:
sess
ต้องเหมือนกันระหว่างการรันครั้งแรกและครั้งต่อไป (โครงสร้างที่สอดคล้องกัน) saver.restore
ต้องการพา ธ ของโฟลเดอร์ของไฟล์ที่บันทึกไม่ใช่พา ธ ไฟล์แต่ละไฟล์ ทุกที่ที่คุณต้องการบันทึกโมเดล
self.saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
...
self.saver.save(sess, filename)
ตรวจสอบให้แน่ใจว่าทุกคนtf.Variable
มีชื่อเพราะคุณอาจต้องการกู้คืนพวกเขาในภายหลังโดยใช้ชื่อ และสถานที่ที่คุณต้องการทำนาย
saver = tf.train.import_meta_graph(filename)
name = 'name given when you saved the file'
with tf.Session() as sess:
saver.restore(sess, name)
print(sess.run('W1:0')) #example to retrieve by variable name
ตรวจสอบให้แน่ใจว่าโปรแกรมรักษาความปลอดภัยทำงานภายในเซสชันที่เกี่ยวข้อง โปรดจำไว้ว่าหากคุณใช้งานtf.train.latest_checkpoint('./')
จะมีเฉพาะจุดตรวจสอบล่าสุดเท่านั้น
ฉันใช้เวอร์ชั่น:
tensorflow (1.13.1)
tensorflow-gpu (1.13.1)
วิธีง่ายๆคือ
บันทึก:
model.save("model.h5")
Restore:
model = tf.keras.models.load_model("model.h5")
สำหรับ tensorflow-2.0
มันง่ายมาก
import tensorflow as tf
model.save("model_name")
model = tf.keras.models.load_model('model_name')
ต่อไปนี้เป็นคำตอบของ @Vishnuvardhan Janapati นี่เป็นอีกวิธีหนึ่งในการบันทึกและโหลดโมเดลใหม่ด้วยเลเยอร์ / เมตริก / การสูญเสียที่กำหนดเองภายใต้TensorFlow 2.0.0
import tensorflow as tf
from tensorflow.keras.layers import Layer
from tensorflow.keras.utils.generic_utils import get_custom_objects
# custom loss (for example)
def custom_loss(y_true,y_pred):
return tf.reduce_mean(y_true - y_pred)
get_custom_objects().update({'custom_loss': custom_loss})
# custom loss (for example)
class CustomLayer(Layer):
def __init__(self, ...):
...
# define custom layer and all necessary custom operations inside custom layer
get_custom_objects().update({'CustomLayer': CustomLayer})
ด้วยวิธีนี้เมื่อคุณเรียกใช้รหัสดังกล่าวและบันทึกโมเดลของคุณด้วยtf.keras.models.save_model
หรือmodel.save
หรือModelCheckpoint
โทรกลับคุณสามารถโหลดโมเดลของคุณอีกครั้งโดยไม่จำเป็นต้องใช้วัตถุที่กำหนดเองที่แม่นยำเพียงง่ายๆ
new_model = tf.keras.models.load_model("./model.h5"})
ในรุ่นใหม่ของ tensorflow 2.0 กระบวนการของการบันทึก / การโหลดแบบจำลองนั้นง่ายกว่ามาก เนื่องจากการใช้ Keras API ซึ่งเป็น API ระดับสูงสำหรับ TensorFlow
วิธีบันทึกโมเดล: ตรวจสอบเอกสารประกอบเพื่อการอ้างอิง: https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/models/save_model
tf.keras.models.save_model(model_name, filepath, save_format)
ในการโหลดโมเดล:
https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/models/load_model
model = tf.keras.models.load_model(filepath)
นี่คือตัวอย่างง่ายๆที่ใช้รูปแบบTensorflow 2.0 SavedModel (ซึ่งเป็นรูปแบบที่แนะนำตามเอกสาร )สำหรับตัวจำแนกชุดข้อมูล MNIST แบบง่ายโดยใช้ Keras functional API โดยไม่ต้องจินตนาการมากเกินไป:
# Imports
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Flatten
from tensorflow.keras.models import Model
import matplotlib.pyplot as plt
# Load data
mnist = tf.keras.datasets.mnist # 28 x 28
(x_train,y_train), (x_test, y_test) = mnist.load_data()
# Normalize pixels [0,255] -> [0,1]
x_train = tf.keras.utils.normalize(x_train,axis=1)
x_test = tf.keras.utils.normalize(x_test,axis=1)
# Create model
input = Input(shape=(28,28), dtype='float64', name='graph_input')
x = Flatten()(input)
x = Dense(128, activation='relu')(x)
x = Dense(128, activation='relu')(x)
output = Dense(10, activation='softmax', name='graph_output', dtype='float64')(x)
model = Model(inputs=input, outputs=output)
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Train
model.fit(x_train, y_train, epochs=3)
# Save model in SavedModel format (Tensorflow 2.0)
export_path = 'model'
tf.saved_model.save(model, export_path)
# ... possibly another python program
# Reload model
loaded_model = tf.keras.models.load_model(export_path)
# Get image sample for testing
index = 0
img = x_test[index] # I normalized the image on a previous step
# Predict using the signature definition (Tensorflow 2.0)
predict = loaded_model.signatures["serving_default"]
prediction = predict(tf.constant(img))
# Show results
print(np.argmax(prediction['graph_output'])) # prints the class number
plt.imshow(x_test[index], cmap=plt.cm.binary) # prints the image
คือserving_default
อะไร
เป็นชื่อของdef ลายเซ็นต์ของแท็กที่คุณเลือก (ในกรณีนี้serve
แท็กเริ่มต้นถูกเลือก) นอกจากนี้ที่นี่saved_model_cli
อธิบายถึงวิธีการที่จะหาของแท็กและลายเซ็นของรูปแบบการใช้
การปฏิเสธความรับผิด
นี่เป็นเพียงตัวอย่างพื้นฐานหากคุณต้องการทำให้มันใช้งานได้ แต่ไม่ได้เป็นคำตอบที่สมบูรณ์ - บางทีฉันอาจปรับปรุงได้ในอนาคต ฉันแค่ต้องการยกตัวอย่างง่ายๆโดยใช้SavedModel
ใน TF 2.0 เพราะฉันไม่เคยเห็นแม้แต่สิ่งนี้เรียบง่ายทุกที่
@ Tom 's คำตอบเป็นตัวอย่าง SavedModel แต่จะไม่ทำงานกับ Tensorflow 2.0 เพราะน่าเสียดายที่มีการเปลี่ยนแปลงบางอย่าง
@ คำตอบของVishnuvardhan Janapatiพูดว่า TF 2.0 แต่ไม่ใช่สำหรับรูปแบบ SavedModel