TensorFlow:如何从 SavedModel 进行预测?

TensorFlow: How to predict from a SavedModel?

我已经导出 SavedModel,现在我可以将其重新加载并进行预测。它使用以下特征和标签进行训练:

F1 : FLOAT32
F2 : FLOAT32
F3 : FLOAT32
L1 : FLOAT32

假设我想输入值 20.9, 1.8, 0.9 得到一个 FLOAT32 预测。我该如何做到这一点?我已成功加载模型,但我不确定如何访问它以进行预测调用。

with tf.Session(graph=tf.Graph()) as sess:
    tf.saved_model.loader.load(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        "/job/export/Servo/1503723455"
    )

    # How can I predict from here?
    # I want to do something like prediction = model.predict([20.9, 1.8, 0.9])

此问题与 发布的问题不重复。这个问题侧重于对任何模型 class(不仅限于 tf.estimator)的 SavedModel 执行推理的最小示例,以及指定输入和输出节点名称的语法。

加载图形后,它在当前上下文中可用,您可以通过它提供输入数据以获得预测。每个用例都相当不同,但是添加到您的代码中的内容将如下所示:

with tf.Session(graph=tf.Graph()) as sess:
    tf.saved_model.loader.load(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        "/job/export/Servo/1503723455"
    )

    prediction = sess.run(
        'prefix/predictions/Identity:0',
        feed_dict={
            'Placeholder:0': [20.9],
            'Placeholder_1:0': [1.8],
            'Placeholder_2:0': [0.9]
        }
    )

    print(prediction)

在这里,您需要知道您的预测输入的名称。如果你没有在你的 serving_fn 中给他们一个中殿,那么他们默认为 Placeholder_n,其中 n 是第 n 个特征。

sess.run的第一个字符串参数是预测目标的名称。这将根据您的用例而有所不同。

假设您想要 Python 中的预测,SavedModelPredictor 可能是加载 SavedModel 并获取预测的最简单方法。假设您像这样保存模型:

# Build the graph
f1 = tf.placeholder(shape=[], dtype=tf.float32)
f2 = tf.placeholder(shape=[], dtype=tf.float32)
f3 = tf.placeholder(shape=[], dtype=tf.float32)
l1 = tf.placeholder(shape=[], dtype=tf.float32)
output = build_graph(f1, f2, f3, l1)

# Save the model
inputs = {'F1': f1, 'F2': f2, 'F3': f3, 'L1': l1}
outputs = {'output': output_tensor}
tf.contrib.simple_save(sess, export_dir, inputs, outputs)

(输入可以是任何形状,甚至不必是图中的占位符或根节点)。

然后,在将使用 SavedModel 的 Python 程序中,我们可以得到如下预测:

from tensorflow.contrib import predictor

predict_fn = predictor.from_saved_model(export_dir)
predictions = predict_fn(
    {"F1": 1.0, "F2": 2.0, "F3": 3.0, "L1": 4.0})
print(predictions)

展示了如何在 Java、C++ 和 Python 中进行预测(尽管 问题 的重点是估算器,答案实际上独立于 SavedModel 的创建方式)。

对于需要保存经过训练的罐装模型并在没有 tensorflow 服务的情况下提供服务的工作示例的任何人,我已在此处记录 https://github.com/tettusud/tensorflow-examples/tree/master/estimators

  1. 您可以根据 tf.tensorflow.contrib.predictor.from_saved_model( exported_model_path)
  2. 创建预测器
  3. 准备输入

    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])
                )     
            }
        )    
    )
    

此处x是导出时在input_receiver_function中给出的输入名称。 例如:

feature_spec = {'x': tf.FixedLenFeature([4],tf.float32)}

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

tf.estimator.DNNClassifier 的构造函数有一个名为 warm_start_from 的参数。您可以为其指定 SavedModel 文件夹名称,它将恢复您的会话。