tf2.x函数签名

一般说法：
input_signature的好处：

• 可以限定函数的输入类型，以防止调用函数时调错
• 一个函数有了input_signature之后，在tensorflow里边才可以保存成savedmodel。在保存成savedmodel的过程中，需要使用get_concrete_function函数把一个tf.function标注的普通的python函数变成带有图定义的函数

两种方式：

• tf.function中直接给函数添加函数签名
• get_concrete_function给函数添加签名

# 第一种方式
# 需要严格按照tf.TensorSpec ( shape, dtype=tf.dtypes.float32, name=None )输入
# 否则报错
@tf.function(input_signature=[tf.TensorSpec([5], tf.int32, name='x')])
def cube(z):
    return tf.pow(z, 3)
try:
    print(cube(tf.constant([1, 2, 3])))
except ValueError as ex:
    print(ex)
try:
    print(cube(tf.constant([1, 2, 3])))
except ValueError as ex:
    print(ex)
print(cube(tf.constant([1, 2, 3,4,5])))

输出：

Python inputs incompatible with input_signature:
  inputs: (
    tf.Tensor([1 2 3], shape=(3,), dtype=int32))
  input_signature: (
    TensorSpec(shape=(5,), dtype=tf.int32, name='x'))
tf.Tensor([  1   8  27  64 125], shape=(5,), dtype=int32)

cube_func_int32 = cube.get_concrete_function(
    tf.TensorSpec([5], tf.int32))
print(cube_func_int32)

输出：

<tensorflow.python.eager.function.ConcreteFunction object at 
0x000001952B6B7208>

使用经验：
当一个函数被@tf.function 修饰后 ，get_concrete_function 然后传入原函数的参数进行调用获取函数句柄，并没有真实的数据传进去，含有数据的参数被tf.TensorSpec(shape=(None,), dtype=tf.string),所替换

#函数定义,添加了tf.function 即加入了input_signature
@tf.function
def __call__(self, sample, mode=Mode.Train, stop_embedding_gradient=False):

model_serve_func = model.__call__.get_concrete_function(
        sample=tf.TensorSpec(shape=(None,), dtype=tf.string),
        mode=Mode.Predict,stop_embedding_gradient=False)
signatures = {tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY: mdoel_serve_func}
tf.saved_model.save(model, save_path, signatures)

还有个例子也是讲 将一个普通函数保存为saved_model

首先将一个普通函数转换成具有静态图结构的函数，也即使用@tf.function装饰一下；然后给函数添加函数签名，可以采用以上提到的两种方式添加，这里采取第二种；第三步就可以按照开始保存了，下面有具体的操作方式。
saved_model 能够将tf.function修饰的函数保存，这个函数必须在一个tf.Module()

@tf.function
def cube(z):
    return tf.pow(z, 3)

cube_func_int32 = cube.get_concrete_function(
    tf.TensorSpec([None], tf.int32)).
print(cube(tf.constant([1, 2, 3])))

输出：

tf.Tensor([ 1  8 27], shape=(3,), dtype=int32)

to_export = tf.Module()
#相当于把这个cube函数当做属性给了model，而model可以保存和加载，cube不能保存和加载
#所以相当于起到了一个桥梁作用，也即最后加载过来之后，使用的还是model.cube()
to_export.cube = cube_func_int32
tf.saved_model.save(to_export, os.path.join("signature_to_saved_model"))
model= tf.saved_model.load('./signature_to_saved_model')
model.cube(tf.constant([2]))

输出：

<tf.Tensor: shape=(1,), dtype=int32, numpy=array([8])>