首页 文章

如何在Tensorflow中保存估算器供以后使用？

提问于
浏览 次
5

我按照教程"A Guide to TF Layers: Building a Convolutional Neural Network"（这里是代码：https://github.com/tensorflow/tensorflow/blob/r1.1/tensorflow/examples/tutorials/layers/cnn_mnist.py） .

我根据自己的需求调整了教程，即手动检测 .

据我所知，本教程创建了估算器（它是一个CNN），然后进行拟合，最后，它评估估计器的性能 . 现在，我的问题是我想在另一个文件中使用estimator，这将是我的主程序 . 如何从其他文件访问估算器？每次我想使用它时，我是否必须适合估算器？ （我希望不是）

我想知道是否有人可以帮助我了解如何保存估算器以便以后使用它 . （据我所知，我不能用 tf.train.Saver 创建一个保护程序，因为我没有运行会话） .

这是我的 train.py 文件中的代码：

def main(unused_argv):

#Load training and eval data (part missing)


# Create the estimator
hand_detector = learn.Estimator(model_fn=cnn_model_fn, model_dir="\cnn_model_fn")

# Set up logging for predictions
# Log the values in the "Softmax" tensor with label "probabilities"
tensors_to_log = {"probabilities": "softmax_tensor"}
logging_hook = tf.train.LoggingTensorHook(
    tensors=tensors_to_log, every_n_iter=50)

# Train the model
hand_detector.fit(
    x=train_data,
    y=train_labels,
    batch_size=100,
    steps=20000,
    monitors=[logging_hook])

# Configure the accuracy metric for evaluation
metrics = {
    "accuracy":
        learn.MetricSpec(
            metric_fn=tf.metrics.accuracy, prediction_key="classes"),
}

# Evaluate the model and print results
eval_results = hand_detector.evaluate(
    x=eval_data, y=eval_labels, metrics=metrics)
print(eval_results)

# Save the model for later use (part missing!)
python tensorflow

2 回答

  • 1

    几乎所有机器学习的实际应用都试图训练一次模型，然后将其保存以备将来使用新数据 . 大多数分类器在训练阶段花费数小时，在测试阶段只需几秒钟，因此基本学习如何成功保存训练有素的模型 .

    我将解释如何导出"high level" Tensorflow模型（使用 export_savedmodel ） . 函数 export_savedmodel 需要参数serving_input_receiver_fn，即不带参数的函数，它定义模型和预测变量的输入 . 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，并且预测变量输入类型与测试脚本中的预测变量输入匹配 . 另一方面，如果创建自定义模型，则必须定义由函数 tf.estimator.export.PredictOutput 定义的export_outputs，该输入是一个字典，用于定义必须与测试脚本中的预测变量输出名称匹配的名称 .

    例如：

    TRAINING SCRIPT

    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中测试的代码，Tensorflow 1.4.0）

    回复于
  • 3

    Estimator 具有 export_savedmodel 成员函数用于此目的 . 你会找到文档here .

    回复于

相关问题