Tensorflow 分类器.export_savedmodel(初学者)

Question

我知道“Serving a Tensorflow Model”页面

https://www.tensorflow.org/serving/serving_basic

但这些函数假设你使用的是 tf.Session() 而 DNNClassifier 教程没有......然后我查看了 DNNClassifier 的 api 文档，它有一个 export_savedmodel 函数(导出函数已弃用)，它看起来很简单，但是我收到一个“'NoneType' 对象不可迭代”错误......这应该意味着我正在传递一个空变量，但我不确定我需要改变什么......我基本上已经复制并粘贴了来自 tensorflow.org 上 get_started/tflearn 页面的代码，但随后添加

  directoryName = "temp"

  def serving_input_fn():
    print("asdf")

  classifier.export_savedmodel(
    directoryName,
    serving_input_fn
  )

就在classifier.fit函数调用之后……export_savedmodel的其他参数是可选的我相信……有什么想法吗？

代码教程:
https://www.tensorflow.org/get_started/tflearn#construct_a_deep_neural_network_classifier

export_savedmodel 的 API 文档
https://www.tensorflow.org/api_docs/python/tf/contrib/learn/DNNClassifier#export_savedmodel

Answer 1

有两种 TensorFlow 应用程序:

假设您正在使用的函数 tf.Session()是来自“低级”Tensorflow 示例的函数，以及

DNNClassifier 教程是一个“高级”Tensorflow 应用程序。

我将解释如何导出“高级”Tensorflow 模型(使用 export_savedmodel)。

函数 export_savedmodel需要参数 serving_input_receiver_fn ，这是一个没有参数的函数，它定义了模型和预测器的输入。因此，您必须创建自己的 serving_input_receiver_fn ，其中模型输入类型与训练脚本中的模型输入匹配，预测器输入类型与测试脚本中的预测器输入匹配。

另一方面，如果您创建自定义模型，则必须定义 export_outputs ，由函数 tf.estimator.export.PredictOutput 定义，其中输入是一个字典，用于定义必须与测试脚本中预测器输出的名称匹配的名称。

例如:

训练脚本

def serving_input_receiver_fn():
    serialized_tf_example = tf.placeholder(dtype=tf.string, shape=[None], name='input_tensors')
    receiver_tensors      = {"predictor_inputs": serialized_tf_example}
    feature_spec          = {"words": tf.FixedLenFeature([25],tf.int64)}
    features              = tf.parse_example(serialized_tf_example, feature_spec)
    return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

def estimator_spec_for_softmax_classification(logits, labels, mode):
    predicted_classes = tf.argmax(logits, 1)
    if (mode == tf.estimator.ModeKeys.PREDICT):
        export_outputs = {'predict_output': tf.estimator.export.PredictOutput({"pred_output_classes": predicted_classes, 'probabilities': tf.nn.softmax(logits)})}
        return tf.estimator.EstimatorSpec(mode=mode, predictions={'class': predicted_classes, 'prob': tf.nn.softmax(logits)}, export_outputs=export_outputs) # IMPORTANT!!!
    onehot_labels = tf.one_hot(labels, 31, 1, 0)
    loss          = tf.losses.softmax_cross_entropy(onehot_labels=onehot_labels, logits=logits)
    if (mode == tf.estimator.ModeKeys.TRAIN):
        optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
        train_op  = optimizer.minimize(loss, global_step=tf.train.get_global_step())
        return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)
    eval_metric_ops = {'accuracy': tf.metrics.accuracy(labels=labels, predictions=predicted_classes)}
    return tf.estimator.EstimatorSpec(mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)

def model_custom(features, labels, mode):
    bow_column           = tf.feature_column.categorical_column_with_identity("words", num_buckets=1000)
    bow_embedding_column = tf.feature_column.embedding_column(bow_column, dimension=50)   
    bow                  = tf.feature_column.input_layer(features, feature_columns=[bow_embedding_column])
    logits               = tf.layers.dense(bow, 31, activation=None)
    return estimator_spec_for_softmax_classification(logits=logits, labels=labels, mode=mode)

def main():
    # ...
    # preprocess-> features_train_set and labels_train_set
    # ...
    classifier     = tf.estimator.Estimator(model_fn = model_custom)
    train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"words": features_train_set}, y=labels_train_set, batch_size=batch_size_param, num_epochs=None, shuffle=True)
    classifier.train(input_fn=train_input_fn, steps=100)
    full_model_dir = classifier.export_savedmodel(export_dir_base="C:/models/directory_base", serving_input_receiver_fn=serving_input_receiver_fn)

测试脚本

def main():
    # ...
    # preprocess-> features_test_set
    # ...
    with tf.Session() as sess:
        tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], full_model_dir)
        predictor   = tf.contrib.predictor.from_saved_model(full_model_dir)
        model_input = tf.train.Example(features=tf.train.Features( feature={"words": tf.train.Feature(int64_list=tf.train.Int64List(value=features_test_set)) })) 
        model_input = model_input.SerializeToString()
        output_dict = predictor({"predictor_inputs":[model_input]})
        y_predicted = output_dict["pred_output_classes"][0]

(在 Python 3.6.3、Tensorflow 1.4.0 中测试的代码)