Visualizza su TensorFlow.org | Esegui in Google Colab | Visualizza l'origine su GitHub | Scarica quaderno |
Dopo aver migrato il modello dai grafici e dalle sessioni di TensorFlow 1 alle API di TensorFlow 2, come tf.function
, tf.Module
e tf.keras.Model
, è possibile migrare il codice di salvataggio e caricamento del modello. Questo notebook fornisce esempi di come salvare e caricare nel formato SavedModel in TensorFlow 1 e TensorFlow 2. Ecco una rapida panoramica delle modifiche API correlate per la migrazione da TensorFlow 1 a TensorFlow 2:
TensorFlow 1 | Migrazione a TensorFlow 2 | |
---|---|---|
Salvataggio | tf.compat.v1.saved_model.Builder tf.compat.v1.saved_model.simple_save | tf.saved_model.save Keras: tf.keras.models.save_model |
Caricamento in corso | tf.compat.v1.saved_model.load | tf.saved_model.load Keras: tf.keras.models.load_model |
Firme : un insieme di input e tensori di uscita che può essere utilizzato per eseguire il | Generato utilizzando le *.signature_def (es. tf.compat.v1.saved_model.predict_signature_def ) | Scrivi una tf.function ed esportala usando l'argomento signatures in tf.saved_model.save . |
Classificazione e regressione : tipi speciali di firme | Generato contf.compat.v1.saved_model.classification_signature_def ,tf.compat.v1.saved_model.regression_signature_def ,e alcune esportazioni di Estimator. | Questi due tipi di firma sono stati rimossi da TensorFlow 2. Se la libreria di servizio richiede questi nomi di metodo, tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater . |
Per una spiegazione più approfondita della mappatura, fare riferimento alla sezione Modifiche da TensorFlow 1 a TensorFlow 2 di seguito.
Impostare
Gli esempi seguenti mostrano come esportare e caricare lo stesso modello TensorFlow fittizio (definito come add_two
di seguito) in un formato SavedModel utilizzando le API TensorFlow 1 e TensorFlow 2. Inizia impostando le importazioni e le funzioni di utilità:
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: salva ed esporta un modello salvato
In TensorFlow 1, utilizzi le tf.compat.v1.saved_model.Builder
, tf.compat.v1.saved_model.simple_save
e tf.estimator.Estimator.export_saved_model
per creare, salvare ed esportare il grafico e la sessione di TensorFlow:
1. Salvare il grafico come SavedModel con 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. Crea un modello salvato per la pubblicazione
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. Esportare il grafico di inferenza Estimator come SavedModel
Nella definizione di Estimator model_fn
(definita di seguito), puoi definire le firme nel tuo modello restituendo export_outputs
in tf.estimator.EstimatorSpec
. Esistono diversi tipi di output:
-
tf.estimator.export.ClassificationOutput
-
tf.estimator.export.RegressionOutput
-
tf.estimator.export.PredictOutput
Questi produrranno rispettivamente tipi di firma di classificazione, regressione e previsione.
Quando lo stimatore viene esportato con tf.estimator.Estimator.export_saved_model
, queste firme verranno salvate con il modello.
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: salva ed esporta un modello salvato
Salva ed esporta un SavedModel definito con tf.Module
Per esportare il tuo modello in TensorFlow 2, devi definire un tf.Module
o un tf.keras.Model
per contenere tutte le variabili e le funzioni del tuo modello. Quindi, puoi chiamare tf.saved_model.save
per creare un SavedModel. Per ulteriori informazioni, fare riferimento a Salvataggio di un modello personalizzato nella guida al formato Utilizzo del modello salvato .
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
Salva ed esporta un SavedModel definito con Keras
Le API Keras per il salvataggio e l'esportazione — Mode.save
o tf.keras.models.save_model
— possono esportare un SavedModel da un tf.keras.Model
. Dai un'occhiata ai modelli di salvataggio e caricamento Keras per maggiori dettagli.
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
Caricamento di un modello salvato
Un SavedModel salvato con una qualsiasi delle API di cui sopra può essere caricato utilizzando TensorFlow 1 o TensorFlow API.
Un TensorFlow 1 SavedModel può essere generalmente utilizzato per l'inferenza quando viene caricato in TensorFlow 2, ma l'addestramento (generazione di gradienti) è possibile solo se SavedModel contiene variabili di risorsa . Puoi controllare il dtype delle variabili: se la variabile dtype contiene "_ref", allora è una variabile di riferimento.
Un TensorFlow 2 SavedModel può essere caricato ed eseguito da TensorFlow 1 purché SavedModel sia salvato con le firme.
Le sezioni seguenti contengono esempi di codice che mostrano come caricare i SavedModels salvati nelle sezioni precedenti e chiamare la firma esportata.
TensorFlow 1: carica un modello salvato con tf.saved_model.load
In TensorFlow 1, puoi importare un SavedModel direttamente nel grafico e nella sessione correnti utilizzando tf.saved_model.load
. Puoi chiamare Session.run
sui nomi di input e output del tensore:
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: carica un modello salvato con tf.saved_model
In TensorFlow 2, gli oggetti vengono caricati in un oggetto Python che memorizza le variabili e le funzioni. Questo è compatibile con i modelli salvati da TensorFlow 1.
Consulta i documenti dell'API tf.saved_model.load
e la sezione Caricamento e utilizzo di un modello personalizzato dalla guida al formato Utilizzo del modello salvato per i dettagli.
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)
I modelli salvati con l'API TensorFlow 2 possono anche accedere a tf.function
se le variabili allegate al modello (invece di quelle esportate come firme). Per esempio:
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: carica un modello salvato con Keras
L'API di caricamento Keras, tf.keras.models.load_model
consente di ricaricare un modello salvato in un oggetto Modello Keras. Nota che questo ti consente solo di caricare SavedModels salvati con Keras ( Model.save
o tf.keras.models.save_model
).
I modelli salvati con tf.saved_model.save
devono essere caricati con tf.saved_model.load
. Puoi caricare un modello Keras salvato con Model.save
usando tf.saved_model.load
ma otterrai solo il grafico TensorFlow. Fare riferimento alla documentazione dell'API tf.keras.models.load_model
e alla guida Salva e carica i modelli Keras per i dettagli.
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 e MetaGraphDef
Non esiste un modo semplice per caricare un GraphDef
o MetaGraphDef
su TF2. Tuttavia, puoi convertire il codice TF1 che importa il grafico in una concrete_function
TF2 usando v1.wrap_function
.
Per prima cosa, salva un 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
Utilizzando le API TF1, puoi utilizzare tf1.train.import_meta_graph
per importare il grafico e ripristinare i valori:
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
Non ci sono API TF2 per caricare il grafico, ma puoi comunque importarlo in una funzione concreta che può essere eseguita in modalità ansiosa:
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>
Modifiche da TensorFlow 1 a TensorFlow 2
Questa sezione elenca i termini chiave di salvataggio e caricamento da TensorFlow 1, i loro equivalenti TensorFlow 2 e cosa è cambiato.
Modello salvato
SavedModel è un formato che memorizza un programma TensorFlow completo con parametri e calcolo. Contiene firme utilizzate dalle piattaforme di servizio per eseguire il modello.
Il formato del file stesso non è cambiato in modo significativo, quindi SavedModels può essere caricato e servito utilizzando le API TensorFlow 1 o TensorFlow 2.
Differenze tra TensorFlow 1 e TensorFlow 2
I casi d'uso del servizio e dell'inferenza non sono stati aggiornati in TensorFlow 2, a parte le modifiche alle API: è stato introdotto il miglioramento nella capacità di riutilizzare e comporre modelli caricati da SavedModel.
In TensorFlow 2, il programma è rappresentato da oggetti come tf.Variable
, tf.Module
o modelli Keras di livello superiore ( tf.keras.Model
) e livelli ( tf.keras.layers
). Non ci sono più variabili globali che hanno valori memorizzati in una sessione e il grafico ora esiste in diverse tf.function
s. Di conseguenza, durante l'esportazione di un modello, SavedModel salva separatamente ogni componente e grafico delle funzioni.
Quando scrivi un programma TensorFlow con le API Python di TensorFlow, devi creare un oggetto per gestire le variabili, le funzioni e altre risorse. In genere, ciò si ottiene utilizzando le API Keras, ma puoi anche creare l'oggetto creando o creando una sottoclasse tf.Module
.
I modelli Keras ( tf.keras.Model
) e tf.Module
automaticamente le variabili e le funzioni ad essi associate. SavedModel salva queste connessioni tra moduli, variabili e funzioni, in modo che possano essere ripristinate durante il caricamento.
Firme
Le firme sono gli endpoint di un SavedModel: indicano all'utente come eseguire il modello e quali input sono necessari.
In TensorFlow 1, le firme vengono create elencando i tensori di input e di output. In TensorFlow 2, le firme vengono generate passando in funzioni concrete . (Per saperne di più sulle funzioni TensorFlow nell'Introduzione ai grafici e nella guida alla funzione tf.) In breve, una funzione concreta viene generata da una 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
In TensorFlow 1, puoi chiamare Session.run
con il grafico importato purché tu conosca già i nomi dei tensori. Ciò consente di recuperare i valori delle variabili ripristinati o di eseguire parti del modello che non sono state esportate nelle firme.
In TensorFlow 2, puoi accedere direttamente a una variabile, come una matrice di pesi ( 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
o chiama tf.function
s allegato all'oggetto del modello: ad esempio, loaded.__call__
.
A differenza di TF1, non è possibile estrarre parti di una funzione e accedere a valori intermedi. È necessario esportare tutte le funzionalità necessarie nell'oggetto salvato.
Note sulla migrazione di TensorFlow Servire
SavedModel è stato originariamente creato per funzionare con TensorFlow Serving . Questa piattaforma offre diversi tipi di richieste di previsione: classificare, regredire e prevedere.
L'API TensorFlow 1 consente di creare questi tipi di firme con le utility:
-
tf.compat.v1.saved_model.classification_signature_def
-
tf.compat.v1.saved_model.regression_signature_def
-
tf.compat.v1.saved_model.predict_signature_def
La classificazione ( classification_signature_def
) e la regressione ( regression_signature_def
) limitano gli input e gli output, quindi gli input devono essere un tf.Example
e gli output devono essere classes
, scores
o prediction
. Nel frattempo, la firma di previsione ( predict_signature_def
) non ha restrizioni.
I modelli salvati esportati con l'API TensorFlow 2 sono compatibili con TensorFlow Serving, ma conterranno solo firme di previsione. Le firme di classificazione e regressione sono state rimosse.
Se si richiede l'uso delle firme di classificazione e regressione, è possibile modificare il modello salvato esportato utilizzando tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater
.
Prossimi passi
Per ulteriori informazioni sui modelli salvati in TensorFlow 2, consulta le seguenti guide:
Se stai utilizzando TensorFlow Hub, potresti trovare utili queste guide: