सहेजे गए मॉडल वर्कफ़्लो को माइग्रेट करें

TensorFlow.org पर देखें

Google Colab में चलाएं

GitHub पर स्रोत देखें

नोटबुक डाउनलोड करें

एक बार जब आप अपने मॉडल को TensorFlow 1 के ग्राफ़ और सत्र से TensorFlow 2 API में माइग्रेट कर लेते हैं, जैसे tf.function , tf.Module , और tf.keras.Model , तो आप मॉडल सेविंग और लोडिंग कोड को माइग्रेट कर सकते हैं। यह नोटबुक उदाहरण प्रदान करती है कि आप TensorFlow 1 और TensorFlow 2 में सहेजे गए मॉडल प्रारूप में कैसे सहेज सकते हैं और लोड कर सकते हैं। यहां TensorFlow 1 से TensorFlow 2 में माइग्रेशन के लिए संबंधित API परिवर्तनों का एक त्वरित अवलोकन दिया गया है:

मैपिंग की अधिक गहन व्याख्या के लिए, नीचे दिए गए TensorFlow 1 से TensorFlow 2 अनुभाग में परिवर्तन देखें।

सेट अप

नीचे दिए गए उदाहरण दिखाते हैं कि TensorFlow 1 और TensorFlow 2 API का उपयोग करके उसी डमी TensorFlow मॉडल (जिसे नीचे add_two के रूप में परिभाषित किया गया है) को एक सहेजे गए मॉडल प्रारूप में कैसे निर्यात और लोड किया जाए। आयात और उपयोगिता कार्यों को स्थापित करके प्रारंभ करें:

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: सहेजे गए मॉडल को सहेजें और निर्यात करें

TensorFlow 1 में, आप TensorFlow ग्राफ़ और सत्र को बनाने, सहेजने और निर्यात करने के लिए tf.compat.v1.saved_model.Builder , tf.compat.v1.saved_model.simple_save , और tf.estimator.Estimator.export_saved_model API का उपयोग करते हैं:

1. सेव्डमॉडलबिल्डर के साथ ग्राफ को सेव्डमॉडल के रूप में सेव करें

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. सर्व करने के लिए एक सेव्ड मॉडल बनाएं

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. अनुमानक अनुमान ग्राफ को सहेजे गए मॉडल के रूप में निर्यात करें

Estimator model_fn (नीचे परिभाषित) की परिभाषा में, आप export_outputs में tf.estimator.EstimatorSpec लौटाकर अपने मॉडल में हस्ताक्षर को परिभाषित कर सकते हैं। विभिन्न प्रकार के आउटपुट हैं:

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

ये क्रमशः वर्गीकरण, प्रतिगमन और भविष्यवाणी हस्ताक्षर प्रकार उत्पन्न करेंगे।

जब अनुमानक को tf.estimator.Estimator.export_saved_model के साथ निर्यात किया जाता है, तो ये हस्ताक्षर मॉडल के साथ सहेजे जाएंगे।

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: सहेजे गए मॉडल को सहेजें और निर्यात करें

tf.Module . के साथ परिभाषित एक सहेजे गए मॉडल को सहेजें और निर्यात करें

अपने मॉडल को TensorFlow 2 में निर्यात करने के लिए, आपको अपने मॉडल के सभी चर और कार्यों को रखने के लिए एक tf.Module या एक tf.keras.Model परिभाषित करना होगा। फिर, आप सहेजे गए मॉडल को बनाने के लिए tf.saved_model.save को कॉल कर सकते हैं। अधिक जानने के लिए सहेजे गए मॉडल प्रारूप का उपयोग करना मार्गदर्शिका में एक कस्टम मॉडल सहेजना देखें।

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

केरास के साथ परिभाषित एक सहेजे गए मॉडल को सहेजें और निर्यात करें

बचत और निर्यात के लिए केरस एपीआई - Mode.save या tf.keras.models.save_model - एक सहेजे गए मॉडल को tf.keras.Model से निर्यात कर सकते हैं। अधिक विवरण के लिए केरस मॉडल सहेजें और लोड करें देखें।

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

एक सहेजा गया मॉडल लोड हो रहा है

उपरोक्त किसी भी एपीआई के साथ सहेजे गए सहेजे गए मॉडल को TensorFlow 1 या TensorFlow API का उपयोग करके लोड किया जा सकता है।

एक TensorFlow 1 SavedModel का उपयोग आमतौर पर TensorFlow 2 में लोड होने पर अनुमान के लिए किया जा सकता है, लेकिन प्रशिक्षण (ग्रेडिएंट उत्पन्न करना) केवल तभी संभव है जब SavedModel में संसाधन चर हों। आप चर के प्रकार की जांच कर सकते हैं - यदि चर dtype में "_ref" है, तो यह एक संदर्भ चर है।

एक TensorFlow 2 SavedModel को TensorFlow 1 से लोड और निष्पादित किया जा सकता है, जब तक कि SavedModel को हस्ताक्षर के साथ सहेजा जाता है।

नीचे दिए गए अनुभागों में कोड नमूने होते हैं जो दिखाते हैं कि पिछले अनुभागों में सहेजे गए सहेजे गए सहेजे गए मॉडल को कैसे लोड किया जाए, और निर्यात किए गए हस्ताक्षर को कॉल करें।

TensorFlow 1: एक सहेजे गए मॉडल को tf.saved_model.load के साथ लोड करें

TensorFlow 1 में, आप tf.saved_model.load का उपयोग करके एक सहेजे गए मॉडल को सीधे वर्तमान ग्राफ़ और सत्र में आयात कर सकते हैं। आप टेंसर इनपुट और आउटपुट नामों पर Session.run को कॉल कर सकते हैं:

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: tf.saved_model के साथ सहेजे गए मॉडल को लोड करें

TensorFlow 2 में, वस्तुओं को एक पायथन ऑब्जेक्ट में लोड किया जाता है जो चर और कार्यों को संग्रहीत करता है। यह TensorFlow 1 से सहेजे गए मॉडल के साथ संगत है।

tf.saved_model.load API दस्तावेज़ देखें और विवरण के लिए सहेजे गए मॉडल प्रारूप मार्गदर्शिका का उपयोग करके कस्टम मॉडल अनुभाग लोड करना और उसका उपयोग करना देखें।

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)

TensorFlow 2 API के साथ सहेजे गए मॉडल tf.function s और वेरिएबल तक भी पहुंच सकते हैं जो मॉडल से जुड़े होते हैं (हस्ताक्षर के रूप में निर्यात किए जाने के बजाय)। उदाहरण के लिए:

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: Keras में सहेजे गए मॉडल को लोड करें

केरस लोडिंग tf.keras.models.load_model tf.keras.models.load_model-आपको एक सहेजे गए मॉडल को एक केरस मॉडल ऑब्जेक्ट में वापस लोड करने की अनुमति देता है। ध्यान दें कि यह आपको केवल Keras ( Model.save या tf.keras.models.save_model ) के साथ सहेजे गए सहेजे गए मॉडल लोड करने की अनुमति देता है।

tf.saved_model.load के साथ सहेजे गए मॉडल को tf.saved_model.save से लोड किया जाना चाहिए। आप Model.save का उपयोग करके tf.saved_model.load के साथ सहेजे गए Keras मॉडल को लोड कर सकते हैं लेकिन आपको केवल TensorFlow ग्राफ मिलेगा। विवरण के लिए tf.keras.models.load_model API दस्तावेज़ देखें और केरस मॉडल गाइड सहेजें और लोड करें।

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)

ग्राफडिफ और मेटाग्राफडिफ

कच्चे GraphDef या MetaGraphDef को TF2 में लोड करने का कोई सीधा तरीका नहीं है। हालांकि, आप TF1 कोड को कन्वर्ट कर सकते हैं जो ग्राफ़ को TF2 concrete_function में आयात करता है v1.wrap_function का उपयोग करके।

सबसे पहले, एक MetaGraphDef सहेजें:

# 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

TF1 API का उपयोग करके, आप ग्राफ़ आयात करने और मानों को पुनर्स्थापित करने के लिए tf1.train.import_meta_graph का उपयोग कर सकते हैं:

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

ग्राफ़ लोड करने के लिए कोई TF2 API नहीं हैं, लेकिन आप इसे अभी भी एक ठोस फ़ंक्शन में आयात कर सकते हैं जिसे उत्सुक मोड में निष्पादित किया जा सकता है:

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>

TensorFlow 1 से TensorFlow 2 में परिवर्तन

यह खंड TensorFlow 1, उनके TensorFlow 2 समकक्षों और क्या बदल गया है, से प्रमुख बचत और लोडिंग शर्तों को सूचीबद्ध करता है।

सहेजा गया मॉडल

SavedModel एक प्रारूप है जो मापदंडों और गणना के साथ एक संपूर्ण TensorFlow प्रोग्राम को संग्रहीत करता है। इसमें मॉडल को चलाने के लिए प्लेटफॉर्म की सेवा द्वारा उपयोग किए जाने वाले हस्ताक्षर शामिल हैं।

फ़ाइल स्वरूप स्वयं महत्वपूर्ण रूप से नहीं बदला है, इसलिए सहेजे गए मॉडल को TensorFlow 1 या TensorFlow 2 API का उपयोग करके लोड और परोसा जा सकता है।

TensorFlow 1 और TensorFlow 2 . के बीच अंतर

एपीआई परिवर्तनों के अलावा, सेवा और अनुमान उपयोग के मामलों को TensorFlow 2 में अपडेट नहीं किया गया है—सेव्डमॉडल से लोड किए गए मॉडल के पुन: उपयोग और रचना की क्षमता में सुधार पेश किया गया था।

TensorFlow 2 में, प्रोग्राम को tf.Variable , tf.Module , या उच्च-स्तरीय Keras मॉडल ( tf.keras.Model ) और लेयर्स ( tf.keras.layers ) जैसी वस्तुओं द्वारा दर्शाया जाता है। कोई और वैश्विक चर नहीं हैं जिनके पास सत्र में संग्रहीत मान हैं, और ग्राफ़ अब विभिन्न tf.function s में मौजूद है। नतीजतन, मॉडल निर्यात के दौरान, SavedModel प्रत्येक घटक और फ़ंक्शन ग्राफ़ को अलग-अलग सहेजता है।

जब आप TensorFlow Python API के साथ एक TensorFlow प्रोग्राम लिखते हैं, तो आपको चर, फ़ंक्शन और अन्य संसाधनों को प्रबंधित करने के लिए एक ऑब्जेक्ट बनाना होगा। आम तौर पर, यह केरस एपीआई का उपयोग करके पूरा किया जाता है, लेकिन आप tf.Module बनाकर या उप-वर्ग बनाकर भी ऑब्जेक्ट बना सकते हैं।

केरस मॉडल ( tf.keras.Model ) और tf.Module स्वचालित रूप से उनसे जुड़े चर और कार्यों को ट्रैक करते हैं। SavedModel इन कनेक्शनों को मॉड्यूल, वेरिएबल और फ़ंक्शंस के बीच सहेजता है, ताकि लोड करते समय उन्हें पुनर्स्थापित किया जा सके।

हस्ताक्षर

हस्ताक्षर एक सहेजे गए मॉडल के अंतिम बिंदु हैं - वे उपयोगकर्ता को बताते हैं कि मॉडल को कैसे चलाना है और किन इनपुट की आवश्यकता है।

TensorFlow 1 में, इनपुट और आउटपुट टेंसर को सूचीबद्ध करके हस्ताक्षर बनाए जाते हैं। TensorFlow 2 में, ठोस कार्यों में पास करके हस्ताक्षर उत्पन्न होते हैं। ( ग्राफ और tf.function गाइड के परिचय में TensorFlow फ़ंक्शंस के बारे में और पढ़ें।) संक्षेप में, tf.function से एक ठोस फ़ंक्शन उत्पन्न होता है:

# 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

TensorFlow 1 में, जब तक आप पहले से ही टेंसर के नाम जानते हैं, तब तक आप आयातित ग्राफ़ के साथ Session.run को कॉल कर सकते हैं। यह आपको पुनर्स्थापित चर मानों को पुनः प्राप्त करने, या मॉडल के उन हिस्सों को चलाने की अनुमति देता है जो हस्ताक्षर में निर्यात नहीं किए गए थे।

TensorFlow 2 में, आप सीधे एक वेरिएबल तक पहुँच सकते हैं, जैसे वेट मैट्रिक्स ( 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

या मॉडल ऑब्जेक्ट से जुड़े tf.function s को कॉल करें: उदाहरण के लिए, loaded.__call__ ।

TF1 के विपरीत, फ़ंक्शन के कुछ हिस्सों को निकालने और मध्यवर्ती मानों तक पहुंचने का कोई तरीका नहीं है। आपको सहेजे गए ऑब्जेक्ट में सभी आवश्यक कार्यक्षमता को निर्यात करना होगा ।

TensorFlow सेवित माइग्रेशन नोट

SavedModel मूल रूप से TensorFlow सर्विंग के साथ काम करने के लिए बनाया गया था। यह प्लेटफ़ॉर्म विभिन्न प्रकार के पूर्वानुमान अनुरोध प्रदान करता है: वर्गीकृत करना, पुनः प्राप्त करना और भविष्यवाणी करना।

TensorFlow 1 API आपको बर्तनों के साथ इस प्रकार के हस्ताक्षर बनाने की अनुमति देता है:

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

वर्गीकरण ( classification_signature_def ) और प्रतिगमन ( regression_signature_def ) इनपुट और आउटपुट को प्रतिबंधित करते हैं, इसलिए इनपुट एक tf.Example होना चाहिए, और आउटपुट classes , scores या prediction होना चाहिए। इस बीच, भविष्यवाणी हस्ताक्षर ( predict_signature_def ) पर कोई प्रतिबंध नहीं है।

TensorFlow 2 API के साथ निर्यात किए गए सहेजे गए मॉडल TensorFlow सर्विंग के साथ संगत हैं, लेकिन इसमें केवल पूर्वानुमान हस्ताक्षर होंगे। वर्गीकरण और प्रतिगमन हस्ताक्षर हटा दिए गए हैं।

यदि आपको वर्गीकरण और प्रतिगमन हस्ताक्षरों के उपयोग की आवश्यकता है, तो आप tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater का उपयोग करके निर्यात किए गए सहेजे गए मॉडल को संशोधित कर सकते हैं।

अगले कदम

TensorFlow 2 में सहेजे गए मॉडल के बारे में अधिक जानने के लिए, निम्नलिखित मार्गदर्शिकाएँ देखें:

• सहेजे गए मॉडल प्रारूप का उपयोग करना
• केरस मॉडल सहेजें और लोड करें

यदि आप TensorFlow हब का उपयोग कर रहे हैं, तो आपको ये मार्गदर्शिकाएँ उपयोगी लग सकती हैं:

• TensorFlow हब: TensorFlow 1/TensorFlow 2 . के लिए मॉडल संगतता
• TensorFlow हब के साथ TensorFlow 1 से TensorFlow 2 में माइग्रेट करना