TensorFlow 2 教學：SavedModel

觀看次數： 33,540

都會阿嬤 TensorFlow 教學文章

看完文章將會學到

如何在 TensorFlow 2 將訓練好的 Model 保存下來
如何在 TensorFlow 2 讀取之前保存下來的 Model

Github 程式碼

Jupyter Notebook Github程式碼

Save Model 保存模型

在 Tensorflow 裡面，Save Model 可以代表兩件事：

Checkpoints

Checkpoints 包含了在 Model 裡面每個參數（ tf.Variable 物件）的 “值”，但是不包含這個 Model 的架構，因此會使用 Checkpoints 大多是用在 “source code” 可以取得的時候，可以重建出整個 Model 的情況

SavedModel

SavedModel 除了參數的值之外，還包含了整個 Model 的結構，因此非常神奇非常方便的地方是：在電腦上 train 好的 Model 可以透過 SavedModel 的方法 deploy 到其他平台上面，包含TensorFlow Serving, TensorFlow Lite, TensorFlow.js…甚至是使用其他的語言（C, C++, Java, Go, Rust, C# 等等）請見下圖

SavedModel 範例

在這裡最重要的 API 就是：

tf.saved_model.save()
tf.saved_model.load()

tf.saved_model.save(
    obj,
    export_dir,
    signatures=None
)

tf.saved_model.load(
    export_dir,
    tags=None
)

在這個 Save Model 的教學裡面，我將會使用我們之前的數字辨識模型，請參考：

TensorFlow 2 教學：Keras–MNIST–自訂模型

在訓練完我們的模型之後 , 我們可以將他保存下來：

儲存 model，會產生一個叫做 “Grandma” 的資料夾來放 model

tf.saved_model.save(model, "Grandma")

從儲存的 “Grandma” 資料夾讀取 model 並取名叫 new_model

new_model = tf.saved_model.load("grandma")

定義一個evaluate model 的 function

def evaluate(model):
    for images, labels in test_dataset:
        predictions = model(images)
        t_loss = loss_object(labels, predictions)

        test_loss(t_loss)
        test_accuracy(labels, predictions)
    
        print("test loss : {}".format(test_loss.result()))        
        print("test accuracy : {}".format(test_accuracy.result()))
    test_loss.reset_states()
    test_accuracy.reset_states()

測試原來 model的 loss 及 accuracy

evaluate(model)

test loss : 0.05755476520098324
test accuracy : 0.9846

測試剛剛讀取 model的 loss 及 accuracy

evaluate(new_model)

test loss : 0.05755476520098324
test accuracy : 0.9846

進階學習

TensorFlow doc : Training checkpoints
TensorFlow doc : Using the SavedModel format

TensorFlow 2 教學：SavedModel 儲存模型