Question

我已经在Python中训练了TensorFlow模型，并希望在Java代码中使用它。训练模型是通过以下代码完成的：

def input_fn():
    features = {'a': tf.constant([[1],[2]]),
                'b': tf.constant([[3],[4]]) }
    labels = tf.constant([0, 1])
    return features, labels

feature_a = tf.contrib.layers.sparse_column_with_integerized_feature("a", bucket_size=10)
feature_b = tf.contrib.layers.sparse_column_with_integerized_feature("b", bucket_size=10)
feature_columns = [feature_a, feature_b]

model = tf.contrib.learn.LinearClassifier(feature_columns=feature_columns)
model.fit(input_fn=input_fn, steps=10)

现在我想保存此模型以在Java中使用它。似乎export_savedmodel是新的/首选的保存方式，所以我尝试了：

feature_spec = tf.contrib.layers.create_feature_spec_for_parsing(feature_columns)
serving_input_fn = input_fn_utils.build_parsing_serving_input_fn(feature_spec)
model.export_savedmodel('export', serving_input_fn, as_text=True)

这会生成一个已保存的模型，可以使用

从Java加载

model = SavedModelBundle.load(dir, "serve");
model.session().runner()
    .feed("input_example_tensor", input)
    .fetch("linear/binary_logistic_head/predictions/probabilities")
    .run();

现在有一个问题：input_example_tensor应该是包含Strings / byte []的Tensor，但是Java中还不支持它（参见：Tensor.java＃88＆＃34;抛出新的UnsupportedOperationException＆＃34; ）。据我所知，它想要一个String的原因是build_parsing_serving_input_fn想要解析序列化的示例协议缓冲区。

也许不同的serving_input_fn会做得更好。 input_fn_utils.build_default_serving_input_fn看起来很有希望，但我没有让它发挥作用。

如果我称之为：

features_dict = {'a':feature_a, 'b':feature_b}
serving_input_fn = input_fn_utils.build_default_serving_input_fn(features)

我得到＆＃34; AttributeError：＆＃39; _SparseColumnIntegerized＆＃39;对象没有属性＆＃39; get_shape＆＃39;＆＃34;

如果我称之为：

features = {'a': tf.constant([[1],[2]]),
            'b': tf.constant([[3],[4]]) }
serving_input_fn = input_fn_utils.build_default_serving_input_fn(features)

我得到＆＃34; ValueError：＆＃39; Const：0＆＃39;不是有效的范围名称＆＃34;。

使用input_fn_utils.build_default_serving_input_fn的正确方法是什么？我找不到任何使用它的例子。

在Java

0 个答案: