Я сохранил модель, используя tf.estimator.method export_savedmodel следующим образом:
export_dir="exportModel/"
feature_spec = tf.feature_column.make_parse_example_spec(feature_columns)
input_receiver_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)
classifier.export_savedmodel(export_dir, input_receiver_fn, as_text=False, checkpoint_path="Model/model.ckpt-400")
Как импортировать эту сохраненную модель и использовать ее для прогнозов?
Я попытался найти хороший базовый пример, но, похоже, документация и образцы немного разбросаны по этой теме. Поэтому давайте начнем с базового примера: tf.estimator quickstart.
Этот конкретный пример фактически не экспортирует модель, поэтому пусть это делает (не нужно для использования 1):
def serving_input_receiver_fn():
"""Build the serving inputs."""
# The outer dimension (None) allows us to batch up inputs for
# efficiency. However, it also means that if we want a prediction
# for a single instance, we'll need to wrap it in an outer list.
inputs = {"x": tf.placeholder(shape=[None, 4], dtype=tf.float32)}
return tf.estimator.export.ServingInputReceiver(inputs, inputs)
export_dir = classifier.export_savedmodel(
export_dir_base="/path/to/model",
serving_input_receiver_fn=serving_input_receiver_fn)
Огромная звездочка на этом коде. В TensorFlow 1.3 появляется ошибка, которая не позволяет вам выполнять вышеуказанный экспорт на "консервированной" оценке (например, DNNClassifier). Обходной путь см. В разделе "Приложение: Временное решение".
Ниже приведен код export_dir (возвращаемое значение на этапе экспорта), чтобы подчеркнуть, что он не "/путь/в/модель", а скорее является подкаталогом этого каталога, имя которого это отметка времени.
Использовать случай 1: выполнить прогноз в том же процессе, что и обучение
Это научный опыт, основанный на использовании sci-kit, и уже показан образцом. Для полноты вы просто вызываете predict на обученной модели:
classifier.train(input_fn=train_input_fn, steps=2000)
# [...snip...]
predictions = list(classifier.predict(input_fn=predict_input_fn))
predicted_classes = [p["classes"] for p in predictions]
Использовать пример 2. Загрузите SavedModel в Python/Java/С++ и выполните прогнозы
Клиент Python
Возможно, проще всего использовать, если вы хотите сделать прогноз в Python, SavedModelPredictor. В программе Python, которая будет использовать SavedModel, нам нужен код следующим образом:
from tensorflow.contrib import predictor
predict_fn = predictor.from_saved_model(export_dir)
predictions = predict_fn(
{"x": [[6.4, 3.2, 4.5, 1.5],
[5.8, 3.1, 5.0, 1.7]]})
print(predictions['scores'])
Клиент Java
package dummy;
import java.nio.FloatBuffer;
import java.util.Arrays;
import java.util.List;
import org.tensorflow.SavedModelBundle;
import org.tensorflow.Session;
import org.tensorflow.Tensor;
public class Client {
public static void main(String[] args) {
Session session = SavedModelBundle.load(args[0], "serve").session();
Tensor x =
Tensor.create(
new long[] {2, 4},
FloatBuffer.wrap(
new float[] {
6.4f, 3.2f, 4.5f, 1.5f,
5.8f, 3.1f, 5.0f, 1.7f
}));
// Doesn't look like Java has a good way to convert the
// input/output name ("x", "scores") to their underlying tensor,
// so we hard code them ("Placeholder:0", ...).
// You can inspect them on the command-line with saved_model_cli:
//
// $ saved_model_cli show --dir $EXPORT_DIR --tag_set serve --signature_def serving_default
final String xName = "Placeholder:0";
final String scoresName = "dnn/head/predictions/probabilities:0";
List<Tensor> outputs = session.runner()
.feed(xName, x)
.fetch(scoresName)
.run();
// Outer dimension is batch size; inner dimension is number of classes
float[][] scores = new float[2][3];
outputs.get(0).copyTo(scores);
System.out.println(Arrays.deepToString(scores));
}
}
Клиент С++
Скорее всего, вы захотите использовать tensorflow::LoadSavedModel с Session.
#include <unordered_set>
#include <utility>
#include <vector>
#include "tensorflow/cc/saved_model/loader.h"
#include "tensorflow/core/framework/tensor.h"
#include "tensorflow/core/public/session.h"
namespace tf = tensorflow;
int main(int argc, char** argv) {
const string export_dir = argv[1];
tf::SavedModelBundle bundle;
tf::Status load_status = tf::LoadSavedModel(
tf::SessionOptions(), tf::RunOptions(), export_dir, {"serve"}, &bundle);
if (!load_status.ok()) {
std::cout << "Error loading model: " << load_status << std::endl;
return -1;
}
// We should get the signature out of MetaGraphDef, but that a bit
// involved. We'll take a shortcut like we did in the Java example.
const string x_name = "Placeholder:0";
const string scores_name = "dnn/head/predictions/probabilities:0";
auto x = tf::Tensor(tf::DT_FLOAT, tf::TensorShape({2, 4}));
auto matrix = x.matrix<float>();
matrix(0, 0) = 6.4;
matrix(0, 1) = 3.2;
matrix(0, 2) = 4.5;
matrix(0, 3) = 1.5;
matrix(0, 1) = 5.8;
matrix(0, 2) = 3.1;
matrix(0, 3) = 5.0;
matrix(0, 4) = 1.7;
std::vector<std::pair<string, tf::Tensor>> inputs = {{x_name, x}};
std::vector<tf::Tensor> outputs;
tf::Status run_status =
bundle.session->Run(inputs, {scores_name}, {}, &outputs);
if (!run_status.ok()) {
cout << "Error running session: " << run_status << std::endl;
return -1;
}
for (const auto& tensor : outputs) {
std::cout << tensor.matrix<float>() << std::endl;
}
}
Пример использования 3: Подача модели с использованием службы TensorFlow
Экспортирование моделей способом, подходящим для обслуживания Модель классификации, требует, чтобы вход был tf.Example. Здесь мы можем экспортировать модель для обслуживания TensorFlow:
def serving_input_receiver_fn():
"""Build the serving inputs."""
# The outer dimension (None) allows us to batch up inputs for
# efficiency. However, it also means that if we want a prediction
# for a single instance, we'll need to wrap it in an outer list.
example_bytestring = tf.placeholder(
shape=[None],
dtype=tf.string,
)
features = tf.parse_example(
example_bytestring,
tf.feature_column.make_parse_example_spec(feature_columns)
)
return tf.estimator.export.ServingInputReceiver(
features, {'examples': example_bytestring})
export_dir = classifier.export_savedmodel(
export_dir_base="/path/to/model",
serving_input_receiver_fn=serving_input_receiver_fn)
Ссылаться на документацию TensorFlow Servers на дополнительную информацию о том, как настроить службу TensorFlow, я предоставил здесь только код клиента:
# Omitting a bunch of connection/initialization code...
# But at some point we end up with a stub whose lifecycle
# is generally longer than that of a single request.
stub = create_stub(...)
# The actual values for prediction. We have two examples in this
# case, each consisting of a single, multi-dimensional feature `x`.
# This data here is the equivalent of the map passed to the
# `predict_fn` in use case #2.
examples = [
tf.train.Example(
features=tf.train.Features(
feature={"x": tf.train.Feature(
float_list=tf.train.FloatList(value=[6.4, 3.2, 4.5, 1.5]))})),
tf.train.Example(
features=tf.train.Features(
feature={"x": tf.train.Feature(
float_list=tf.train.FloatList(value=[5.8, 3.1, 5.0, 1.7]))})),
]
# Build the RPC request.
predict_request = predict_pb2.PredictRequest()
predict_request.model_spec.name = "default"
predict_request.inputs["examples"].CopyFrom(
tensor_util.make_tensor_proto(examples, tf.float32))
# Perform the actual prediction.
stub.Predict(request, PREDICT_DEADLINE_SECS)
Обратите внимание, что ключ examples, на который ссылается в predict_request.inputs, должен соответствовать ключу, используемому в serving_input_receiver_fn во время экспорта (см. конструктор в ServingInputReceiver в этом коде).
Приложение: Работа с экспортом из Canned Models в TF 1.3
В TensorFlow 1.3 появляется ошибка, в которой консервированные модели не корректно экспортируются для использования в случае 2 (проблема не существует для "пользовательских" оценок). Вот обходной путь, который обертывает DNNClassifier, чтобы заставить все работать, в частности, для примера Iris:
# Build 3 layer DNN with 10, 20, 10 units respectively.
class Wrapper(tf.estimator.Estimator):
def __init__(self, **kwargs):
dnn = tf.estimator.DNNClassifier(**kwargs)
def model_fn(mode, features, labels):
spec = dnn._call_model_fn(features, labels, mode)
export_outputs = None
if spec.export_outputs:
export_outputs = {
"serving_default": tf.estimator.export.PredictOutput(
{"scores": spec.export_outputs["serving_default"].scores,
"classes": spec.export_outputs["serving_default"].classes})}
# Replace the 3rd argument (export_outputs)
copy = list(spec)
copy[4] = export_outputs
return tf.estimator.EstimatorSpec(mode, *copy)
super(Wrapper, self).__init__(model_fn, kwargs["model_dir"], dnn.config)
classifier = Wrapper(feature_columns=feature_columns,
hidden_units=[10, 20, 10],
n_classes=3,
model_dir="/tmp/iris_model")
Я не думаю, что есть ошибка с консервированными оценщиками (точнее, если она была когда-либо одна, она была исправлена). Я смог успешно экспортировать модель консервированной оценки с помощью Python и импортировать ее в Java.
Вот мой код для экспорта модели:
a = tf.feature_column.numeric_column("a");
b = tf.feature_column.numeric_column("b");
feature_columns = [a, b];
model = tf.estimator.DNNClassifier(feature_columns=feature_columns ...);
# To export
feature_spec = tf.feature_column.make_parse_example_spec(feature_columns);
export_input_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec);
servable_model_path = model.export_savedmodel(servable_model_dir, export_input_fn, as_text=True);
Чтобы импортировать модель в Java, я использовал код клиента Java, предоставленный rhaertel80 выше, и он работает. Надеюсь, что это также ответит на вопрос Бена Фаулера выше.
Похоже, что команда TensorFlow не согласна с тем, что в версии 1.3 имеется ошибка, использующая консервированные оценки для экспорта модели в случае использования # 2. Я отправил здесь отчет об ошибке: https://github.com/tensorflow/tensorflow/issues/13477
Ответ, полученный мной от TensorFlow, заключается в том, что входной сигнал должен быть только одним строковым тензором. Похоже, что может быть способ объединить несколько функций в один строковый тензор с использованием сериализованных TF.examples, но я не нашел четкого метода для этого. Если у кого есть код, показывающий, как это сделать, я был бы признателен.
Вам нужно экспортировать сохраненную модель с помощью tf.contrib.export_savedmodel, и вам необходимо определить входную функцию приемника для ввода ввода. Позже вы можете загрузить сохраненную модель (обычно saved.model.pb) с диска и выполнить ее.