减少用于Google ML Engine部署的Tensorflow SavedModel的大小

时间:2018-06-14 04:57:47

标签: python tensorflow keras google-cloud-ml

我开发并训练了CNN Keras模型,现在我想将此模型部署到Google Machine Learning Engine,因此我可以使用他们的API执行预测。

我已经转换为SavedModel格式,export / saved_model.pb有14MB,/ export / variables /目录有大约380MB。 Google ML Engine对此数据的限制为250MB,不允许部署更大的模型。

我看到了一个关于https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/graph_transforms的解决方案,但由于VS未满足的依赖关系,我仍然无法设置bezel构建此项目。

还有其他方法可以减少/压缩(特别是)变量目录吗?我想要的是将dtype从int64转换为int32,但不知道variables.data-00000-of-00001文件的格式。

非常感谢!

我将我的Keras模型附加到Tensorflow SavedModel代码:

# reset session
K.clear_session()
sess = tf.Session()
K.set_session(sess)

# disable loading of learning nodes
K.set_learning_phase(0)

# load model
model = load_model('local-activity-recognition-model.h5')
config = model.get_config()
weights = model.get_weights()
new_Model = Model.from_config(config)
new_Model.set_weights(weights)

# export saved model
export_path = '.' + '/export'
builder = saved_model_builder.SavedModelBuilder(export_path)

signature = predict_signature_def(inputs={'export_input': new_Model.input},
                              outputs={'export_output': new_Model.output})

with K.get_session() as sess:
    builder.add_meta_graph_and_variables(sess=sess,
                                     tags=[tag_constants.SERVING],
                                     signature_def_map={
                                                 signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: signature})
builder.save()

2 个答案:

答案 0 :(得分:0)

在构建图形时,模型中是否可以设置变量的dtype?在训练时使用float32通常是一个好主意。

您还可以使用here所述的技术,但需要花费更多精力。

答案 1 :(得分:0)