सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

सहेजे गए मॉडल वर्कफ़्लो को माइग्रेट करें

TensorFlow.org पर देखें GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

एक बार जब आप इस तरह के रूप में 2 एपीआई, TensorFlow को TensorFlow 1 के रेखांकन और सत्र से अपने मॉडल चले गए tf.function , tf.Module , और tf.keras.Model , आप मॉडल बचत और कोड डालने की ओर पलायन 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:

टेंसरफ्लो 1 TensorFlow 2 . में माइग्रेशन
सहेजा जा रहा है tf.compat.v1.saved_model.Builder
tf.compat.v1.saved_model.simple_save
tf.saved_model.save
Keras: tf.keras.models.save_model
लोड हो रहा है tf.compat.v1.saved_model.load tf.saved_model.load
Keras: tf.keras.models.load_model
हस्ताक्षर: इनपुट का एक सेट
और आउटपुट टेंसर जो
चलाने के लिए इस्तेमाल किया जा सकता है
उपयोग करते हुए उत्पन्न *.signature_def utils
(जैसे tf.compat.v1.saved_model.predict_signature_def )
एक लिखें tf.function और उपयोग करके उसका निर्यात signatures तर्क
में tf.saved_model.save
वर्गीकरण
और प्रतिगमन:

विशेष प्रकार के हस्ताक्षर
के साथ उत्पन्न
tf.compat.v1.saved_model.classification_signature_def ,
tf.compat.v1.saved_model.regression_signature_def ,
और कुछ अनुमानक निर्यात।
इन दो हस्ताक्षर प्रकारों को TensorFlow 2 से हटा दिया गया है।
यदि सेवारत पुस्तकालय को इन विधियों के नामों की आवश्यकता है,
tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater

मानचित्रण का एक और अधिक में गहराई से स्पष्टीकरण के लिए, का उल्लेख TensorFlow 1 से TensorFlow 2 में किए गए परिवर्तन अनुभाग देखें।

सेट अप

नीचे दिए गए उदाहरण कैसे निर्यात और एक ही डमी TensorFlow मॉडल (के रूप में परिभाषित लोड करने के लिए add_two TensorFlow 1 और TensorFlow 2 API का उपयोग करके एक SavedModel प्रारूप करने के लिए नीचे)। 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 का उपयोग tf.compat.v1.saved_model.Builder , tf.compat.v1.saved_model.simple_save , और tf.estimator.Estimator.export_saved_model निर्माण करने के लिए एपीआई, बचाने के लिए, और TensorFlow ग्राफ और सत्र का निर्यात:

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

अनुमानक की परिभाषा में model_fn (नीचे वर्णित), तो आप वापस लौट कर अपने मॉडल में हस्ताक्षर परिभाषित कर सकते हैं export_outputs में tf.estimator.EstimatorSpec । विभिन्न प्रकार के आउटपुट हैं:

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

जब आकलनकर्ता के साथ निर्यात किया जाता है tf.estimator.Estimator.export_saved_model , इन हस्ताक्षरों को मॉडल के साथ सहेज लिया जाएगा।

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

TensorFlow 2 में अपने मॉडल को निर्यात करने के लिए, आप एक को परिभाषित करना होगा tf.Module या एक tf.keras.Model अपने मॉडल के चर और कार्यों के सभी पकड़ करने के लिए। उसके बाद, आप कॉल कर सकते हैं tf.saved_model.save एक SavedModel बनाने के लिए। का संदर्भ लें कस्टम मॉडल सहेजा जा रहा है में SavedModel प्रारूप का उपयोग अधिक जानने के लिए गाइड।

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 exporting- के लिए Keras एपीआई Mode.save या tf.keras.models.save_model -इनके निर्यात एक से एक SavedModel tf.keras.Model । की जाँच करें सहेजें और Keras मॉडल लोड अधिक जानकारी के लिए।

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 आम तौर पर जब TensorFlow 2 में लोड अनुमान के लिए इस्तेमाल किया जा सकता है, लेकिन प्रशिक्षण (पैदा ढ़ाल) केवल तभी संभव है SavedModel संसाधन चर होते हैं। 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 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 वर्तमान ग्राफ और सत्र का उपयोग में सीधे एक SavedModel आयात कर सकते हैं tf.saved_model.load । आप कॉल कर सकते हैं Session.run टेन्सर इनपुट और आउटपुट के नाम पर:

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।

की जाँच करें tf.saved_model.load एपीआई डॉक्स और लोड हो रहा है और एक कस्टम मॉडल का उपयोग कर से अनुभाग SavedModel प्रारूप का उपयोग जानकारी के लिए गाइड।

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 एपीआई के साथ सहेजा मॉडल भी पहुँच सकते हैं tf.function रों और चर मॉडल (हस्ताक्षर के रूप में निर्यात उन के बजाय) से जुड़े होते हैं कि। 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

Keras लोड हो रहा है API- tf.keras.models.load_model एक Keras मॉडल वस्तु में किसी सहेजे गए मॉडल वापस फिर से लोड करने आप -allows। नोट यह केवल Keras (के साथ सहेजा लोड SavedModels करने की अनुमति देता है कि Model.save या tf.keras.models.save_model )।

साथ सहेजा मॉडल tf.saved_model.save के साथ भरी हुई किया जाना चाहिए tf.saved_model.load । आप एक Keras मॉडल के साथ बचाया लोड कर सकते हैं Model.save का उपयोग कर tf.saved_model.load लेकिन आप केवल TensorFlow ग्राफ मिल जाएगा। का संदर्भ लें tf.keras.models.load_model एपीआई डॉक्स और सहेजें और लोड Keras मॉडल जानकारी के लिए मार्गदर्शन।

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

एक कच्चे लोड करने के लिए कोई सीधा तरीका नहीं है GraphDef या MetaGraphDef TF2 करने के लिए। हालांकि, अगर आप TF1 कोड है कि एक TF2 में आयात ग्राफ में बदल सकते हैं concrete_function का उपयोग कर v1.wrap_function

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 के उपयोग से आप उपयोग कर सकते tf1.train.import_meta_graph ग्राफ आयात और मूल्यों को बहाल करने की:

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 कि दुकानों मापदंडों और गणना के साथ एक पूर्ण TensorFlow कार्यक्रम है। इसमें सिग्नेचर होते हैं जो मॉडल को चलाने के लिए प्लेटफॉर्म पर काम करते 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

की सेवा और निष्कर्ष उपयोग के मामलों से एपीआई परिवर्तन सुधार SavedModel से भरी हुई पुन: उपयोग करने की क्षमता और लिखें मॉडल में पेश किया गया था TensorFlow 2 में अद्यतन नहीं किया गया है, एक तरफ।

TensorFlow 2 में, इस कार्यक्रम की तरह वस्तुओं का प्रतिनिधित्व करती है tf.Variable , tf.Module , या उच्च स्तर की Keras मॉडल ( tf.keras.Model ) और परतों ( tf.keras.layers )। कोई और वैश्विक चर है कि एक सत्र में संग्रहीत मान रहे हैं, और ग्राफ अब अलग में मौजूद है tf.function रों। नतीजतन, एक 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, इस Keras API का उपयोग करके द्वारा पूरा किया है, लेकिन आप यह भी बनाने या उपवर्गीकरण द्वारा वस्तु का निर्माण कर सकते tf.Module

Keras मॉडल ( tf.keras.Model ) और tf.Module स्वचालित रूप से चर और उन्हें संलग्न कार्यों को ट्रैक। 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 समापन 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, हस्ताक्षर ठोस कार्यों में गुजर द्वारा उत्पन्न कर रहे हैं। (पढ़ें में TensorFlow कार्यों के बारे में अधिक रेखांकन और tf.function का परिचय । गाइड) संक्षेप में, एक ठोस समारोह उत्पन्न होता है एक से 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

TensorFlow 1 में, आप कह सकते हैं Session.run तक आयातित ग्राफ के साथ के रूप में आप पहले से ही टेन्सर नाम पता है। 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 चर, इस तरह के एक वजन मैट्रिक्स (के रूप में उपयोग कर सकते हैं 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 कॉल tf.function मॉडल वस्तु से जुड़ी: उदाहरण के लिए, loaded.__call__

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

TensorFlow सेवित माइग्रेशन नोट

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

TensorFlow 1 एपीआई आप utils के साथ हस्ताक्षर के इन प्रकार बनाने के लिए अनुमति देता है:

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

TensorFlow 2 एपीआई के साथ निर्यात SavedModels TensorFlow सेवित के साथ संगत कर रहे हैं, लेकिन केवल भविष्यवाणी हस्ताक्षर शामिल होंगे। वर्गीकरण और प्रतिगमन हस्ताक्षर हटा दिए गए हैं।

आप वर्गीकरण और प्रतिगमन हस्ताक्षर के उपयोग की आवश्यकता है, तो आप का उपयोग कर निर्यात किया SavedModel संशोधित कर सकते हैं tf.compat.v1.saved_model.signature_def_utils.MethodNameUpdater

अगला कदम

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

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