Question

我在TensorFlow服务中运行tf.contrib.learn宽和深模型并导出训练模型我正在使用这段代码

 with tf.Session() as sess:
      init_op = tf.initialize_all_variables()
      saver = tf.train.Saver()
      m.fit(input_fn=lambda: input_fn(df_train), steps=FLAGS.train_steps)
      print('model successfully fit!!')
      results = m.evaluate(input_fn=lambda: input_fn(df_test), steps=1)
      for key in sorted(results):
        print("%s: %s" % (key, results[key]))
      model_exporter = exporter.Exporter(saver)
      model_exporter.init(
      sess.graph.as_graph_def(),
      init_op=init_op,
      named_graph_signatures={
          'inputs': exporter.generic_signature({'input':df_train}),
          'outputs': exporter.generic_signature({'output':df_train[impressionflag]})})
      model_exporter.export(export_path, tf.constant(FLAGS.export_version), sess)
      print ('Done exporting!')

但在使用命令saver = tf.train.Saver()时错误ValueError: No variable to save is displayed enter image description here

如何保存模型，以便在tensorflow标准服务器中加载导出的模型时创建一个必需的servable？任何帮助表示赞赏。

Answer 1

图表和会话包含在Estimator中，不会泄露或泄露。因此，通过使用Estimator.export（），我们可以导出模型并创建一个可用于在model_servers上运行的servable。

Answer 2

Estimator.export()现已弃用，因此您需要使用Estimator.export_savedmodel()。

我在这里写了一个简单的教程Exporting and Serving a TensorFlow Wide & Deep Model。

TL; DR

要导出估算器，有四个步骤：

将导出功能定义为估算器初始化期间使用的所有功能的列表。
使用create_feature_spec_for_parsing创建功能配置。
使用serving_input_fn构建适合使用的input_fn_utils.build_parsing_serving_input_fn。
使用export_savedmodel()导出模型。

要正确运行客户端脚本，您需要执行以下三个步骤：

创建并将脚本放在/ serve /文件夹中的某个位置，例如/服务/ tensorflow_serving /示例/
通过添加py_binary
构建并运行模型服务器，例如tensorflow_model_server。
创建，构建并运行一个客户端，该客户端将tf.Example发送到我们的tensorflow_model_server进行推断。

有关详细信息，请查看教程本身。

希望它有所帮助。

Answer 3

那么你的图表有变量吗？如果不是，并且所有操作都使用常量，则可以在Saver constructor中指定一个标志：
saver = tf.train.Saver(allow_empty=True)

无法在张量流会话中保存tf.contrib.learn宽和深模型并在TensorFlow服务上提供服务

3 个答案: