TensorFlow学习记录：saved_model模块的用法

TensorFlow中的saved_model模块用于生成冻结图文件，并且saved_model模块封装了平常用的Saver类。与Saver类不同的是，saved_model模块生成的模型文件集成了打标签的操作，可以更方便地部署在生产环境中。

关于为什么要用saved_model模块，这篇文章讲得挺好的。请点击这里

一个saved_model对象可以存储一个或多个MetaGraphDef。那什么时候需要多个MetaGraphDef呢？也许你想同时保存模型的CPU版本和GPU版本，或者你想同时保存模型的开发版本和生产版本。这个时候你就可以用tag（标签）来区分它们了。在加载模型的时候能根据tag标签来加载不同的MetaGraphDef。

TensorFlow中的saved_model模块可以给MetaGraphDef添加多个签名（signature）。每个签名的的结构都由输入节点、输出节点、名字3部分组成。并且，输入节点，输出节点的名字可以任意指定。

1.导出带有签名的模型文件

假设之前训练了一个模型，让模型在一组混乱的数据中找到y≈2x的规律。其中
（1）用saved_model模块的builder.SavedModelBuilder类实例化一个builder对象。
（2）构建签名的输入节点inputs。该输入节点的名字为“input_x”。该名字是模型文件中输入节点的名字（可以任意取名）。
（3）构建标签的输出节点outputs。该输出节点的名字为“output”。
（4）调用build_signature_def函数，并将输入节点、输出节点和名字（sig_name）传入，生成一个签名对象。
（5）用builder对象的add_meta_graph_and_variables方法将签名加入到模型中。
（6）调用builder对象的save方法导出带有签名的模型文件。

代码如下：

from tensorflow.python.saved_model import tag_constants
	#saveddir+"tfservingmodel"为模型的保存路径
    builder = tf.saved_model.builder.SavedModelBuilder(savedir+'tfservingmodel')
    
    #定义输入签名，X为输入tensor
    inputs = {
   'input_x': tf.saved_model.utils.build_tensor_info(X)}
    #定义输出签名， z为最终需要的输出结果tensor 
    outputs = {
   'output' : tf.saved_model.utils.build_tensor_info(z)