input_signature的好處：
1.可以限定函數的輸入類型，以防止調用函數時調錯，
2．一個函數有了input_signature之后，在tensorflow里邊才可以保存成savedmodel。在保存成savedmodel的過程中，需要使用get_concrete_function函數把一個tf.function標注的普通的python函數變成帶有圖定義的函數。
下面的代碼具體體現了input_signature可以限定函數的輸入類型這一作用。
|
1
2
3
4
5
6
7
8
|
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')])def cube(z): #實現輸入的立方 return tf.pow(z, 3)try: print(cube(tf.constant([1., 2., 3.])))except ValueError as ex: print(ex)print(cube(tf.constant([1, 2, 3]))) |
輸出：
Python inputs incompatible with input_signature:
inputs: (
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32))
input_signature: (
TensorSpec(shape=(None,), dtype=tf.int32, name='x'))
tf.Tensor([ 1 8 27], shape=(3,), dtype=int32)
get_concrete_function的使用
note:首先說明，下面介紹的函數在模型構建、模型訓練的過程中不會用到，下面介紹的函數主要用在兩個地方：1、如何保存模型 2、保存好模型后，如何載入進來。
可以給 由@tf.function標注的普通的python函數，給它加上input_signature, 從而讓這個python函數變成一個可以保存的tensorflow圖結構（SavedModel）
舉例說明函數的用法：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
@tf.function(input_signature=[tf.TensorSpec([None], 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) print(cube(tf.constant([1, 2, 3]))) # @tf.function py func -> tf graph# get_concrete_function -> add input signature -> SavedModel cube_func_int32 = cube.get_concrete_function( tf.TensorSpec([None], tf.int32)) #tensorflow的類型print(cube_func_int32) |
輸出：
<tensorflow.python.eager.function.ConcreteFunction object at 0x00000240E29695C0>
從輸出結果可以看到：調用get_concrete_function函數后，輸出的是一個ConcreteFunction對象
|
1
2
3
4
5
|
#看用新參數獲得的對象與原來的對象是否一樣print(cube_func_int32 is cube.get_concrete_function( tf.TensorSpec([5], tf.int32))) #輸入大小為5print(cube_func_int32 is cube.get_concrete_function( tf.constant([1, 2, 3]))) #傳具體數據 |
輸出：
True
True
cube_func_int32.graph #圖定義
輸出：
|
1
2
3
4
|
[<tf.Operation 'x' type=Placeholder>, <tf.Operation 'Pow/y' type=Const>, <tf.Operation 'Pow' type=Pow>, <tf.Operation 'Identity' type=Identity>] |
|
1
2
|
pow_op = cube_func_int32.graph.get_operations()[2]print(pow_op) |
輸出：
name: "Pow"
op: "Pow"
input: "x"
input: "Pow/y"
attr {
key: "T"
value {
type: DT_INT32
}
}
|
1
2
|
print(list(pow_op.inputs))print(list(pow_op.outputs)) |
輸出：
[<tf.Tensor 'x:0' shape=(None,) dtype=int32>, <tf.Tensor 'Pow/y:0' shape=() dtype=int32>]
[<tf.Tensor 'Pow:0' shape=(None,) dtype=int32>]
cube_func_int32.graph.get_operation_by_name("x")
輸出：
<tf.Operation 'x' type=Placeholder>
cube_func_int32.graph.get_tensor_by_name("x:0") #默認加“：0”
<tf.Tensor 'x:0' shape=(None,) dtype=int32>
cube_func_int32.graph.as_graph_def() #總名字，針對上面兩個
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
|
node { name: "x" op: "Placeholder" attr { key: "_user_specified_name" value { s: "x" } } attr { key: "dtype" value { type: DT_INT32 } } attr { key: "shape" value { shape { dim { size: -1 } } } }}node { name: "Pow/y" op: "Const" attr { key: "dtype" value { type: DT_INT32 } } attr { key: "value" value { tensor { dtype: DT_INT32 tensor_shape { } int_val: 3 } } }}node { name: "Pow" op: "Pow" input: "x" input: "Pow/y" attr { key: "T" value { type: DT_INT32 } }}node { name: "Identity" op: "Identity" input: "Pow" attr { key: "T" value { type: DT_INT32 } }}versions { producer: 119} |
到此這篇關于tensorflow2.0的函數簽名與圖結構的文章就介紹到這了,更多相關tensorflow函數簽名與圖結構內容請搜索服務器之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持服務器之家！
原文鏈接：https://blog.csdn.net/qq_41660119/article/details/105793777?
