จะแสดงรายการการดำเนินการทั้งหมดที่ใช้ใน Tensorflow SavedModel ได้อย่างไร

หากฉันบันทึกแบบจำลองของฉันโดยใช้tensorflow.saved_model.saveฟังก์ชันในรูปแบบ SavedModel ฉันจะดึง Tensorflow Ops ที่ใช้ในรุ่นนี้ได้อย่างไร เนื่องจากโมเดลสามารถกู้คืนการดำเนินการเหล่านี้ถูกเก็บไว้ในกราฟฉันเดาว่าอยู่ในsaved_model.pbไฟล์ ถ้าฉันโหลด protobuf นี้ (ไม่ใช่โมเดลทั้งหมด) ส่วนไลบรารีของ protobuf จะแสดงรายการเหล่านี้ แต่นี่ยังไม่ได้บันทึกและติดแท็กเป็นคุณลักษณะทดลองสำหรับตอนนี้ โมเดลที่สร้างใน Tensorflow 1.x จะไม่มีส่วนนี้

ดังนั้นวิธีที่รวดเร็วและเชื่อถือได้ในการดึงรายการการดำเนินการที่ใช้แล้ว (Like MatchingFilesหรือWriteFile) จากแบบจำลองในรูปแบบ SavedModel คืออะไร

ตอนนี้ฉันสามารถหยุดสิ่งทั้งปวงtensorflowjs-converterได้ ขณะที่พวกเขายังตรวจสอบการดำเนินงานที่รองรับ ในปัจจุบันนี้ไม่ทำงานเมื่อ LSTM อยู่ในรูปแบบที่เห็นนี่ มีวิธีที่ดีกว่าในการทำเช่นนี้ใน Ops แน่นอนหรือไม่

ตัวอย่างแบบ:

class FileReader(tf.Module):

@tf.function(input_signature=[tf.TensorSpec(name='filename', shape=[None], dtype=tf.string)])
def read_disk(self, file_name):
    input_scalar = tf.reshape(file_name, [])
    output = tf.io.read_file(input_scalar)
    return tf.stack([output], name='content')

file_reader = FileReader()

tf.saved_model.save(file_reader, 'file_reader')

คาดว่าจะส่งออก Ops ทั้งหมดที่มีในกรณีนี้อย่างน้อย:

• ReadFileตามที่อธิบายไว้ที่นี่
• ...

ถ้าsaved_model.pbเป็นSavedModelข้อความ protobuf คุณจะได้รับการดำเนินการโดยตรงจากที่นั่น สมมติว่าเราสร้างแบบจำลองดังต่อไปนี้:

import tensorflow as tf

class FileReader(tf.Module):
    @tf.function(input_signature=[tf.TensorSpec(name='filename', shape=[None], dtype=tf.string)])
    def read_disk(self, file_name):
        input_scalar = tf.reshape(file_name, [])
        output = tf.io.read_file(input_scalar)
        return tf.stack([output], name='content')

file_reader = FileReader()
tf.saved_model.save(file_reader, 'tmp')

ตอนนี้เราสามารถค้นหาการดำเนินการที่ใช้โดยรุ่นดังกล่าวดังนี้

from tensorflow.core.protobuf.saved_model_pb2 import SavedModel

saved_model = SavedModel()
with open('tmp/saved_model.pb', 'rb') as f:
    saved_model.ParseFromString(f.read())
model_op_names = set()
# Iterate over every metagraph in case there is more than one
for meta_graph in saved_model.meta_graphs:
    # Add operations in the graph definition
    model_op_names.update(node.op for node in meta_graph.graph_def.node)
    # Go through the functions in the graph definition
    for func in meta_graph.graph_def.library.function:
        # Add operations in each function
        model_op_names.update(node.op for node in func.node_def)
# Convert to list, sorted if you want
model_op_names = sorted(model_op_names)
print(*model_op_names, sep='\n')
# Const
# Identity
# MergeV2Checkpoints
# NoOp
# Pack
# PartitionedCall
# Placeholder
# ReadFile
# Reshape
# RestoreV2
# SaveV2
# ShardedFilename
# StatefulPartitionedCall
# StringJoin