Tensorflow模型保存与预测

目录

1. Estimator形式

1.1 模型导出

A. 用到了tf.feature_column接口

B. 没用到tf.feature_column接口，需要自己定义feature_spec

1.2 模型检查

1.3 模型预测

A. 使用CLI指令

B. python加载模型预测

2. Keras Model 训练

1.1 模型导出

1.2 模型预测

A. 使用CLI指令

B. python加载模型预测

---

版本：tensorflow 1.14
保存形式：svaedModel

1. Estimator形式

模型保存后，预测数据以example格式输入

1.1 模型导出

A. 用到了tf.feature_column接口

# feature_columns 
feature_columns = [
     tf.feature_column.numeric_column('dense_features', (10,)),
     ... 
]
serving_feature_spec = tf.feature_column.make_parse_example_spec(feature_columns)
serving_input_receiver_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(serving_feature_spec)
model_estimator.export_saved_model(export_dir_base=save_model_dir,
                             serving_input_receiver_fn=serving_input_receiver_fn)

• 第4行 make_parse_example_spec() 会根据创建的feature column列表，构建出解析tf.Example所需要的信息，比如：

{
    'feature_1': VarLenFeature(dtype=tf.int64),
    'feature_2': VarLenFeature(dtype=tf.int64),
    'dense_features': FixedLenFeature(shape=(10,), dtype=tf.float32, default_value=None)
}

• 第5行 build_parsing_serving_input_receiver_fn函数 注册接收key为examples的string tensor作为input，依据feature_spec解析后给到模型，源码如下：
  • 本质是：将来模型的输入是一个example形式的序列化string，对其按照feature_spec解析成一个个字段，形成features

def build_parsing_serving_input_receiver_fn(feature_spec, default_batch_size=None):
    def serving_input_receiver_fn():
    """An input_fn that expects a serialized tf.Example."""
        serialized_tf_example = array_ops.placeholder(dtype=dtypes.string,
                                                      shape=[default_batch_size],
                                                      name='input_example_tensor')
        receiver_tensors = {'examples': serialized_tf_example}
        features = parsing_ops.parse_example(serialized_tf_example, feature_spec)
        return ServingInputReceiver(feature