가중치 값만 저장합니다. 이것은 일반적으로 모델을 훈련할 때 사용됩니다.
TensorFlow Hub는 다른 자산 중에서 TensorFlow 2 용 저장된 모델을 호스팅합니다. obj = hub.load(url) [ 자세히 알아보기 ]를 사용하여 Python 프로그램에 다시로드 할 수 있습니다. 반환 된 obj 는 tf.saved_model.load() 의 결과입니다 (TensorFlow의 저장된 모델 가이드 참조). 이 객체는 tf.functions, tf.Variables (사전 학습 된 값에서 초기화 됨), 기타 리소스 및 반복적으로 더 많은 객체 인 임의의 속성을 가질 수 있습니다.
이 페이지는 TensorFlow Python 프로그램에서 재사용 하기 위해로드 된 obj 에 의해 구현되는 인터페이스를 설명합니다. 이 인터페이스를 준수하는 저장된 모델을 재사용 가능한 저장된 모델 이라고합니다.
재사용은 미세 조정 기능을 포함하여 obj 중심의 더 큰 모델을 빌드하는 것을 의미합니다. 미세 조정은 주변 모델의 일부로 로드된 obj의 가중치를 추가로 훈련하는 것을 의미합니다. 손실 함수와 옵티마이저는 주변 모델에 의해 결정됩니다. obj는 출력 활성화에 대한 입력 매핑("포워드 패스")만 정의하며 드롭아웃 또는 배치 정규화와 같은 기술을 포함할 수 있습니다.
TensorFlow Hub 팀은 위의 의미에서 재사용할 예정인 모든 SavedModel에서 재사용 가능한 SavedModel 인터페이스를 구현할 것을 권장합니다. tensorflow_hub 라이브러리의 많은 유틸리티, 특히 hub.KerasLayer는 이를 구현하기 위해 SavedModel가 필요합니다.
SignatureDefs와의 관계
tf.functions 및 기타 TF2 기능 측면에서 이 인터페이스는 TF1 이후로 사용 가능하며 추론을 위해 TF2에서 계속 사용되는 SavedModel의 서명과는 별개입니다(예: TF Serving 또는 TF Lite에 SavedModel 배포). 추론을 위한 서명은 미세 조정을 지원할 만큼 충분히 다양하지 않고, tf.function은 재사용된 모델에 대해 보다 자연스럽고 다양한 Python API를 제공합니다.
모델 빌드 라이브러리와의 관계
Reusable SavedModel 모델은 Keras 또는 Sonnet과 같은 특정 모델 구축 라이브러리와 관계없이 TensorFlow 2 프리미티브만 사용합니다. 이를 통해 원래 모델 구축 코드에 대한 종속성이 없는 모델 구축 라이브러리에서 재사용이 용이합니다.
Reusable SavedModel을 주어진 모델 구축 라이브러리에 로드하거나 저장하려면 약간의 조정이 필요합니다. Keras의 경우, hub.KerasLayer가 로딩을 제공하며, 이 인터페이스의 상위 세트를 제공하기 위해 SavedModel에 저장하는 Keras의 내장 형식이 TF2용으로 재설계되었습니다(2019년 5월부터 RFC 참조).
작업별 "Common SavedModel API"와의 관계
이 페이지의 인터페이스 정의는 모든 수와 유형의 입력 및 출력을 허용합니다. TF 허브용 Common SavedModel API는 모델을 쉽게 교환할 수 있도록 특정 작업에 대한 사용 규칙으로 이 일반 인터페이스를 구체화합니다.
인터페이스 정의
속성
재사용 가능한 저장된 모델은 obj = tf.saved_model.load(...) 가 다음 속성을 가진 객체를 반환하는 TensorFlow 2 저장된 모델입니다.
call . 필수입니다. 아래 사양에 따라 모델의 계산 ( "포워드 패스")을 구현하는 tf.function.
variables : tf.Variable 객체의 목록으로, 훈련 가능 및 훈련 불가능을 포함하여 가능한 모든 call 호출에 사용되는 모든 변수를 나열합니다.
이 목록은 비어있는 경우 생략 할 수 있습니다.
참고: 편리하게도, 이 이름은 TF1 SavedModel을 로드하여 GLOBAL_VARIABLES 모음을 나타낼 때 tf.saved_model.load(...)에 의해 합성된 속성과 일치합니다.
trainable_variables: 모든 요소에 대해 v.trainable이 true인 tf.Variable 객체의 목록입니다. 이들 변수는 variables의 하위 집합이어야 합니다. 개체를 미세 조정할 때 학습할 변수입니다. SavedModel 생성자는 미세 조정 중에 수정해서는 안 된다는 것을 나타내기 위해 원래 훈련 가능한 일부 변수를 여기에서 생략할 수 있습니다.
이 목록은 비어있는 경우, 특히 저장된 모델이 미세 조정을 지원하지 않는 경우 생략 할 수 있습니다.
regularization_losses : 각각 0 개의 입력을 받고 단일 스칼라 부동 텐서를 반환하는 tf.functions의 목록입니다. 미세 조정을 위해 SavedModel 사용자는이를 추가 정규화 용어로 손실에 포함하는 것이 좋습니다 (가장 간단한 경우 추가 확장없이). 일반적으로 가중치 정규화를 나타내는 데 사용됩니다. (입력 부족으로 인해 이러한 tf.functions는 활동 정규화를 표현할 수 없습니다.)
이 목록은 비어있는 경우, 특히 저장된 모델이 미세 조정을 지원하지 않거나 가중치 정규화를 규정하지 않으려는 경우 생략 할 수 있습니다.
call 함수
복원 된 저장된 모델 obj 에는 복원 된 tf.function 인 obj.call 속성이 있으며 다음과 같이 obj 를 호출 할 수 있습니다.
시놉시스 (의사 코드) :
outputs = obj(inputs, trainable=..., **kwargs)
인수
인수는 다음과 같습니다.
SavedModel의 입력 활성화 배치와 함께 하나의 위치 필수 인수가 있습니다. 그 유형은 다음 중 하나입니다.
- 단일 입력을위한 단일 Tensor,
- 명명되지 않은 입력의 순서가 지정된 시퀀스에 대한 Tensor 목록,
- 특정 입력 이름 세트로 키가 지정된 텐서 사전.
(이 인터페이스의 향후 개정에서는보다 일반적인 중첩이 허용 될 수 있습니다.) 저장된 모델 생성자는 그중 하나와 텐서 모양 및 dtype을 선택합니다. 유용한 경우, 모양의 일부 치수는 정의되지 않아야합니다 (특히 배치 크기).
Python 부울, True 또는 False 를 허용하는 선택적 키워드 인수 training 이있을 수 있습니다. 기본값은 False 입니다. 모델이 미세 조정을 지원하고 계산이 둘 사이에서 다른 경우 (예 : 드롭 아웃 및 배치 정규화에서와 같이)이 인수로 구분이 구현됩니다. 그렇지 않으면이 인수가 없을 수 있습니다.
call 이 Tensor 값 training 인수를 수락 할 필요는 없습니다. 그들 사이를 디스패치하기 위해 필요한 경우 tf.cond() 를 사용하는 것은 호출자에게 있습니다.
SavedModel 작성자 이상의 선택적 수용하도록 선택할 수 있습니다 kwargs 특정 이름을.
Tensor 값 인수의 경우 SavedModel 생성자는 허용 가능한 dtype 및 모양을 정의합니다. tf.function 은 tf.TensorSpec 입력으로 추적되는 인수에서 Python 기본값을 허용합니다. 이러한 인수를 사용하여 call 관련된 숫자 하이퍼 파라미터 (예 : 드롭 아웃 비율)를 사용자 정의 할 수 있습니다.
Python 값 인수의 경우 저장된 모델 생성자가 허용 가능한 값을 정의합니다. 이러한 인수는 추적 된 함수에서 개별 선택을하기위한 플래그로 사용할 수 있습니다 (그러나 추적의 조합 폭발에 유의하십시오).
복원 된 call 함수는 허용되는 모든 인수 조합에 대한 추적을 제공해야합니다. True 과 False 사이에서 training 을 뒤집는 것이 주장의 허용 성을 변경해서는 안됩니다.
결과
obj 호출의 outputs 은 다음과 같을 수 있습니다.
- 단일 출력을위한 단일 Tensor,
- 이름이 지정되지 않은 출력의 순서가 지정된 시퀀스에 대한 Tensor 목록,
- 특정 출력 이름 세트로 키가 지정된 Tensor 사전.
(이 인터페이스의 향후 개정에서는보다 일반적인 중첩을 허용 할 수 있습니다.) 반환 유형은 Python 값 kwarg에 따라 다를 수 있습니다. 이것은 추가 출력을 생성하는 플래그를 허용합니다. SavedModel 생성자는 출력 dtype 및 모양과 입력에 대한 종속성을 정의합니다.
명명 된 콜 러블
재사용 가능한 저장된 모델은 이름이 지정된 하위 객체 (예 : obj.foo , obj.bar 등)에 넣어 위에서 설명한 방식으로 여러 모델 조각을 제공 할 수 있습니다. 각 하위 객체는 call 메소드와 해당 모델 조각에 특정한 변수 등에 대한 속성을 지원합니다. 위의 예에서는 obj.foo.call , obj.foo.variables 등이 있습니다.
이 인터페이스로 직접 베어 tf.function를 추가하는 방법 적용되지 않습니다 tf.foo .
Reusable SavedModel의 사용자는 한 수준의 중첩만 처리해야 합니다(obj.bar.baz가 아닌 obj.bar). (이 인터페이스의 향후 개정판에서는 더 깊은 중첩을 허용할 수 있으며, 최상위 수준 개체가 자체적으로 호출 가능해야 한다는 요구 사항이 면제될 수 있습니다.)
맺음말
In-process API와의 관계
이 문서는 tf.saved_model.save() 및 tf.saved_model.load() 를 통한 직렬화를 통해 왕복을 유지하는 tf.function 및 tf.Variable과 같은 기본 요소로 구성된 Python 클래스의 인터페이스를 설명합니다. 그러나 인터페이스는 tf.saved_model.save() 에 전달 된 원래 객체에 이미 존재했습니다. 해당 인터페이스에 적응하면 단일 TensorFlow 프로그램 내에서 모델 구축 API간에 모델 조각을 교환 할 수 있습니다.